2023年韓國(guó)科學(xué)技術(shù)院Donghun Kim, Sang Soo Han ， Hyuck Mo Lee教授發(fā)表名為《Machine learning-enabled exploration of the electrochemical stability of real-scale metallic nanoparticles》的文章，開(kāi)發(fā)了一個(gè)鍵型嵌入式晶體圖卷積神經(jīng)網(wǎng)絡(luò)（BE-CGCNN）模型，其中四種鍵型被分類(lèi)。由于鍵型嵌入方法的準(zhǔn)確性得到了提高，作者展示了為涉及多達(dá) 6525 個(gè)原子（直徑約為 4.8 納米）的超大尺寸NP構(gòu)建可靠的Pourbaix圖，從而能夠探索各種納米顆粒NP尺寸和形狀的電化學(xué)穩(wěn)定性。隨著NP尺寸的增大，基于BE-CGCNN的Pourbaix圖很好地再現(xiàn)了實(shí)驗(yàn)觀察結(jié)果。

文章亮點(diǎn)

文章名稱(chēng)：Machine learning-enabled exploration of the electrochemical stability of real-scale metallic nanoparticles
文章期卷號(hào)：Nature Communications | (2023) 14:3004
官方網(wǎng)址：https://www.nature.com/articles/s41467-023-38758-1#Sec1

如下圖b所示，對(duì)于鍵，作者將其分為四種類(lèi)型：吸附劑內(nèi)的共價(jià)鍵（如 O-H）、NP內(nèi)的金屬鍵（如 Pt-Pt）、化學(xué)吸附的化學(xué)鍵（如 Pt-O）以及最后一種不同吸附劑之間的非鍵相互作用（如 H…O）。同時(shí)計(jì)算了吸附能的均方誤差隨特征數(shù)量的增加而變化的情況，如圖c所示。由于對(duì)于大顆粒來(lái)說(shuō)，總體吸附物的吸附能過(guò)大，影響神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果，所以作者提出了使用吸附能差進(jìn)行訓(xùn)練，公式如下所示。

得到的訓(xùn)練結(jié)構(gòu)誤差都在可控誤差范圍之內(nèi)。

同時(shí)證明了四種鍵型嵌入式晶體圖卷積神經(jīng)網(wǎng)絡(luò)（BE-CGCNN）模型的誤差對(duì)比，發(fā)現(xiàn)非鍵相互作用是一個(gè)關(guān)鍵項(xiàng)，應(yīng)將其視為重要項(xiàng)，尤其是在存在范德華相互作用的高表面覆蓋率情況下?？紤]非鍵相互作用后誤差值明顯降低。

然后對(duì)比了完全由BE-CGCNN模型構(gòu)建的Pt55NP(Ih)表面Pourbaix圖與通過(guò)DFT計(jì)算獲得的基本真實(shí)圖。觀察發(fā)現(xiàn)，DFT和ML的結(jié)果非常相似，邊界線(xiàn)的y-截距平均相差不到0.1eV。

最后計(jì)算了，原子數(shù)量為561、3871和6535的超大Nps，與現(xiàn)有的實(shí)驗(yàn)報(bào)告進(jìn)行比較也發(fā)現(xiàn)符合良好。

作者的這一工作提出了BE-CGCNN可以作為一種強(qiáng)有力的工具，用于研究電化學(xué)環(huán)境中實(shí)際尺寸和任意形狀NPs的穩(wěn)定性，而這在傳統(tǒng)的DFT方案中是不可能實(shí)現(xiàn)的（計(jì)算時(shí)間過(guò)長(zhǎng)）。