论文部分内容阅读
近年来,机器学习方法逐渐成为多相催化中的一种关键研究手段.二元合金材料作为重要的催化剂之一,在双功能催化剂的筛选中受到了广泛的关注.本文提出了一个将机器学习方法应用在预测催化性质上的整体框架,从而快速预测原子、分子在金属和二元合金表面的吸附能.通过测试不同的机器学习方法来评估它们对于该问题的适用性,并将树集成的方法与压缩感知方法相结合,利用约6×10^4个吸附能数据构建了预测模型.相对于线性比例关系,该方法可以更准确地预测大量合金上的吸附能(预测的均方根误差降低一半),并且更通用地预测各种吸附物