Graph Neural Network-Accelerated Multitasking Genetic Algorithm for Optimizing Pd<sub><i>x</i></sub>Ti<sub>1-<i>x</i></sub>H<sub><i>y</i></sub> Surfaces under Various CO<sub>2</sub> Reduction Reaction Conditions
Notice bibliographique
Résumé
Palladium (Pd) hydride-based catalysts have been reported to have excellent performance for CO2 reduction (CO2RR) and hydrogen evolution reactions (HER). Our previous doped-PdH and alloy hydride works showed that Ti-doped and Ti-alloyed Pd hydride could improve the performance of the CO2 reduction reaction compared to pure Pd hydride. Compositions and chemical orderings of the surfaces with only one adsorbate under certain reaction condition are linked to their stablity, activity, and selectivity towards CO2RR and HER in our previous work. In fact, various coverages, types, and mixture of the adsorbates as well as state variable such as, temperature, pressure, applied potential, and chemical potential could have an impact on their stability, activity, and selectivity. However, these factors are usually fixed at common values in order to reduce the complexity of structures and complexity of reaction conditions in most theoretical work. To address the above complexities and thus huge search space, a deep learning-assisted multitasking genetic algorithm is used to screen for PdxTi1-xHy surfaces containing multiple adsorbates for CO2RR under different reaction conditions in this work. The ensemble deep learning model can greatly speed up the structure relaxations and keep a high accuracy and low uncertainty of energy and forces. The multitasking genetic algorithm is used to simultaneously globally find stable surface structures at each reaction condition. Finally, 23 stable structures are screened out under different reaction conditions. Among them, Pd0.56Ti0.44H1.06+25%CO, Pd0.31Ti0.69H1.25+50%CO, Pd0.31Ti0.69H1.25+25%CO, and Pd0.88Ti0.12H1.06+25%CO are found to be very active for CO2RR and suitable to generate syngas consisting of CO2 and H2.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».