[論文レビュー] Accelerating the Discovery of g-C$_3$N$_4$-Supported Single Atom Catalysts for Hydrogen Evolution Reaction: A Combined DFT and Machine Learning Strategy

M. V. Jyothirmai, D. Roshini+2 more|arXiv (Cornell University)|Nov 3, 2022

Machine Learning in Materials Science被引用数 5

ひとこと要約

本研究では、密度汎関数理論（DFT）と機械学習（ML）を組み合わせることで、水素発生反応（HER）のg-C₃N₄搭載単原子触媒（SAC）の発見を加速する。サポートベクターレグレッション（SVR）を用いたモデルは、水素吸着のギブス自由エネルギー（ΔG_H）を予測する際に高い精度を示し、平均絶対誤差（MAE）が0.45 eV、R²が0.81であった。B、Mn、CoがΔG_H値が0.09 eV未満というほぼ最適な値を示し、トップ候補として特定された。

ABSTRACT

Two-dimensional materials supported by single atom catalysis (SACs) are foreseen to replace platinum for large-scale industrial scalability of sustainable hydrogen generation. Here, a series of metal (Al, Sc, Ti, V, Cr, Mn, Fe, Ni, Cu, Zn) and non-metal (B, C, N, O, F, Si, P, S, Cl) single atoms embedded on various active sites of g-C$_3$N$_4$ are screened by DFT calculations and six machine learning (ML) algorithms (support vector regression, gradient boosting regression, random forest regression, AdaBoost regression, multilayer perceptron regression, ridge regression). Our results based on formation energy, Gibbs free energy and bandgap analysis demonstrate that the single atoms of B, Mn and Co anchored on g-C$_3$N$_4$ can serve as highly efficient active sites for hydrogen production. The ML model based on support vector regression (SVR) exhibits the best performance to accurately and rapidly predict the Gibbs free energy of hydrogen adsorption ($Δ$GH ) for the test set with a lower mean absolute error (MAE) and a high coefficient of determination (R$^2$) of 0.45 and 0.81, respectively. Feature selection based on the SVR model highlights the top five primary features: formation energy, bond length, boiling point, melting point, and valance electron as key descriptors. Overall, the multistep work-flow employed through DFT calculations combined with ML models for efficient screening of potential hydrogen evolution reaction (HER) from g-C$_3$N$_4$-based single atom catalysis can significantly contribute to the catalyst design and fabrication.

研究の動機と目的

• 水素発生反応（HER）のための安定的かつ高活性なg-C₃N₄搭載単原子触媒（SAC）を同定すること。
• DFTスクリーニングの高い計算コストを克服するため、触媒活性の迅速な予測を可能にする機械学習の統合による、計算コストの低減を図ること。
• SACs@g-C₃N₄系におけるHER性能を支配する主要な物性的記述子を同定すること。
• 持続可能なエネルギー応用分野における効率的な触媒発見を実現する、DFTとMLを統合したスケーラブルでデータ駆動型のワークフローの構築

提案手法

• g-C₃N₄のさまざまな活性サイト（C、N1、N2、H）にアンカーリングされた20種類の金属および非金属原子（B、C、N、O、F、Si、P、S、Cl、Al、Sc、Ti、V、Cr、Mn、Fe、Ni、Cu、Zn）の80通りの構造に対して、体系的なDFT計算を実施した。
• 全構造に対して、生成エネルギー、水素吸着のギブス自由エネルギー（ΔG_H）、バンドギャップといった、重要な触媒記述子を計算した。
• DFTで得られたデータを用いて、6種類の機械学習モデル（SVR、勾配ブースティング、ランダムフォレスト、AdaBoost、MLP、リッジ回帰）を訓練し、ΔG_Hを予測する。
• モデル性能の最適化のため、1つずつ除外する交差検証（leave-one-out cross-validation）を用いた特徴選択と、10分割交差検証によるハイパーパramータチューニングを実施した。
• 特徴工学（FESF）を施したサポートベクターレグレッション（SVR）を用いて、HER活性に最も影響を与える記述子を同定した。
• 平均絶対誤差（MAE）および決定係数（R²）といった指標を用いて、独立したテストセットを用いたモデル性能の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 g-C₃N₄上にドーピングされた単原子触媒は、熱力学的に安定した構造を示し、有利なHER活性を示すか？
• RQ2 低コストの記述子から、機械学習モデルは水素吸着のギブス自由エネルギー（ΔG_H）をどれほど正確に予測できるか？
• RQ3 SACs@g-C₃N₄におけるHER活性を支配する主要な物性的記述子は何か？
• RQ4 DFT-MLワークフローを統合することで、高性能で貴金属を含まないHER触媒の発見を顕著に加速できるか？

主な発見

• B、Mn、Coがg-C₃N₄のN1サイトにアンカーリングされた構造は、|ΔG_H|値が0.09 eV未満という最も好ましいHER活性を示し、Pt(111)を上回る触媒性能を示す可能性がある。
• SVRモデルはテストセットにおいて、平均絶対誤差（MAE）が0.45 eV、R²が0.81という最高の予測性能を示し、高い信頼性と正確性を確認した。
• 生成エネルギー、結合長、価電子数、融点、沸点が、SACs@g-C₃N₄におけるHER活性に影響を与える上位5つの記述子として特定された。
• DFT-MLワークフローは80通りの構造をスクリーニングし、18個の安定した候補（生成エネルギーが負値）を同定した。これにはSc、Ti、Mn、B、Al、Si、Fe、Co、Niなどが含まれる。
• 本研究では、配位環境およびアンカーリングサイト（例：N1サイト対Cサイト）が、g-C₃N₄ベースのSACの触媒活性を調整する上で極めて重要であることが確認された。
• 特徴選択により入力次元が低減され、モデルの効率性が向上した。これは、元素の性質（例：融点・沸点）とDFTで計算された記述子（例：生成エネルギー、結合長）が、共同でHER活性を支配していることを裏付けた。