Identification of Cu-N <sub>2</sub> Sites for Zn-Air Batteries in Harsh Electrolytes: Computer Virtual Screening, Machine Learning, and Practical Application
Notice bibliographique
Résumé
Abstract Non-precious-metal catalysts possess promising potential to replace noble metals (e.g. Pt, Ru, Ir etc.) in broad catalytic areas; however the selection of efficient ones based on experimental results is extremely time-consuming and capital sensitive. Herein, we employ a computer-based method for virtual screening (VS) of chemical structures to discover new electrocatalysts via an efficient standard protocol. Specifically, we discovered a thermodynamically stable and highly active Cu-N2 Lewis acid site by combining molecular dynamics (MD) simulation, and density functional theory (DFT) calculations. The MD simulations rapidly screen out the structures that are both thermodynamically stable and stable in harsh electrolytes, while the DFT calculations filter out the ones with high overpotential by evaluating the adsorption energies for oxygen-related adsorption intermediates based on “Volcano plots” theory. The as-predicted Cu-N2 Lewis acid site was experimentally synthesized in a hollow nitrogen-doped octahedron carbon framework (Cu-N2@HNOC), in which an ultra-high loading of single Cu atoms (13.1 wt%, ICP-MS, the highest on record) is achieved. As a result, a flexible solid-state Zn-air battery was fabricated with Cu-N2@HNOC as the cathode catalyst that realized prolonged cycling, achieving a record high maximum power density of 78.1mW/cm2. Our strategy is widely applicable to seek valuable catalysts via VS for a wide range of applications, e.g. electrocatalysis, biocatalysis, and industrial catalysis, and suggests that the VS is more efficient than most experimental approaches.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».