使用机器学习指导分析层状双氢氧化物 (LDH) 的析氧活性,Physical Chemistry Chemical Physics

当前位置： X-MOL 学术 › Phys. Chem. Chem. Phys. › 论文详情

Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)

使用机器学习指导分析层状双氢氧化物 (LDH) 的析氧活性
Physical Chemistry Chemical Physics ( IF 2.9 ) Pub Date : 2023-02-16 , DOI: 10.1039/d2cp06052c
Chenyang Wei ₁ , Dingyi Shi ₂ , Fengyi Zhou ₁ , Zhaohui Yang ₁ , Zhenchuan Zhang ₁ , Zhimin Xue ₃ , Tiancheng Mu ₁

Affiliation

层状双氢氧化物 (LDH) 是析氧反应 (OER) 的优秀催化剂，因为它们具有可调的性质，包括化学成分和结构形态。这些可调节特性与其他（包括外部）因素之间的相互作用可能并不总是有利于 LDH 的 OER 催化活性。因此，我们应用机器学习算法来模拟双层电容，以了解如何设计/调整具有目标催化特性的 LDH。使用 Shapley Additive 解释确定了解决此任务的关键因素，并且铈被确定为修改双层电容的有效元素。我们还比较了不同的建模方法以确定最有希望的方法，结果表明二进制表示比直接应用原子数作为化学成分的输入更好。还仔细检查和评估了作为预测目标的 LDH 基材料的过电位，结果表明，通过添加有关过电位的测量条件作为特征，可以预测过电位。最后，为了证实我们的发现，我们回顾了额外的实验文献数据，并使用它们来测试我们的机器算法以预测 LDH 特性。该分析证实了我们最终模型非常可靠和强大的泛化能力，即使使用相对较小的数据集也能够获得准确的结果。还仔细检查和评估了作为预测目标的 LDH 基材料的过电位，结果表明，通过添加有关过电位的测量条件作为特征，可以预测过电位。最后，为了证实我们的发现，我们回顾了额外的实验文献数据，并使用它们来测试我们的机器算法以预测 LDH 特性。该分析证实了我们最终模型非常可靠和强大的泛化能力，即使使用相对较小的数据集也能够获得准确的结果。还仔细检查和评估了作为预测目标的 LDH 基材料的过电位，结果表明，通过添加有关过电位的测量条件作为特征，可以预测过电位。最后，为了证实我们的发现，我们回顾了额外的实验文献数据，并使用它们来测试我们的机器算法以预测 LDH 特性。该分析证实了我们最终模型非常可靠和强大的泛化能力，即使使用相对较小的数据集也能够获得准确的结果。我们审查了额外的实验文献数据，并使用它们来测试我们的机器算法以预测 LDH 特性。该分析证实了我们最终模型非常可靠和强大的泛化能力，即使使用相对较小的数据集也能够获得准确的结果。我们审查了额外的实验文献数据，并使用它们来测试我们的机器算法以预测 LDH 特性。该分析证实了我们最终模型非常可靠和强大的泛化能力，即使使用相对较小的数据集也能够获得准确的结果。

"点击查看英文标题和摘要"

Analysis of the oxygen evolution activity of layered double hydroxides (LDHs) using machine learning guidance

Layered double hydroxides (LDHs) are excellent catalysts for the oxygen evolution reaction (OER) because of their tunable properties, including chemical composition and structural morphology. An interplay between these adjustable properties and other (including external) factors might not always benefit the OER catalytic activity of LDHs. Therefore, we applied machine learning algorithms to simulate the double-layer capacitance to understand how to design/tune LDHs with targeted catalytic properties. The key factors of solving this task were identified using the Shapley Additive explanation and cerium was identified as an effective element to modify the double-layer capacitance. We also compared different modelling methods to identify the most promising one and the results revealed that binary representation is better than directly applying atom numbers as inputs for chemical compositions. Overpotentials of LDH-based materials as predicted targets were also carefully examined and evaluated, and it turns out that overpotentials can be predicted when measurement conditions about overpotentials are added as features. Finally, to confirm our findings, we reviewed additional experimental literature data and used them to test our machine algorithms to predict LDH properties. This analysis confirmed the very credible and robust generalization ability of our final model capable of achieving accurate results even with a relatively small dataset.

更新日期：2023-02-16

点击分享查看原文

点击收藏

阅读更多本刊新发论文本刊介绍/投稿指南