#今日论文推荐# 机器学习指导催化剂设计,提高反应的产率
#今日论文推荐# 能效提高4到16倍,英特尔团队开发神经形态硬件
准确识别催化活性的描述符对深入理解催化作用,以及为催化剂筛选奠定基础至关重要。然而,常用方法的可预测性和准确性低。
近日,美国纽约州立大学石溪分校(SUNY SB)和布鲁克海文国家实验室(BNL)的化学家开发了一种新的机器学习 (ML) 框架,该框架可以锁定多步化学转化的哪些步骤应该进行调整以提高生产率。该方法可以帮助指导催化剂的设计。
该研究以「 and for using a data- : the of steps」为题,发表在《 & 》上。
该论文第一作者 Liao 说:「我们的目标是确定反应网络中的哪个基本步骤或哪个步骤子集控制催化活性。」
以铜基催化剂上的 CO 加氢制甲醇为例,该反应由七个相当简单的基本步骤(基元反应)组成。该团队开发了使用铜基催化剂分析 CO 转化为甲醇的方法。
领导这项工作的化学家 Ping Liu 说:「我们使用这个反应作为我们的 ML 框架方法的一个例子,但是你可以将任何反应放入这个框架中。」
论文题目: and for using a data- : the of steps
详细解读:
链接: