[論文レビュー] Convolutional Neural Networks and Volcano Plots: Screening and Prediction of Two-Dimensional Single-Atom Catalysts

Haoyu Yang, Juanli Zhao+5 more|arXiv (Cornell University)|Feb 6, 2024

Machine Learning in Materials ScienceMaterials Science被引用数 3

ひとこと要約

本研究は、二酸化炭素還元のための二次元単原子触媒（SACs）をスクリーニングおよび予測するために、マルチブランチ畳み込みニューラルネットワーク（CNNs）とボキャノ図を統合したハイブリッドフレームワークを提案する。電子状態密度（eDOS）を入力として用いることで、CNNは吸着エネルギーを平均絶対誤差0.1 eVで予測し、軌道別遮断およびシフト実験を通じて最適なSACの特定を高精度で可能にする。

ABSTRACT

Single-atom catalysts (SACs) have emerged as frontiers for catalyzing chemical reactions, yet the diverse combinations of active elements and support materials, the nature of coordination environments, elude traditional methodologies in searching optimal SAC systems with superior catalytic performance. Herein, by integrating multi-branch Convolutional Neural Network (CNN) analysis models to hybrid descriptor based activity volcano plot, 2D SAC system composed of diverse metallic single atoms anchored on six type of 2D supports, including graphitic carbon nitride, nitrogen-doped graphene, graphene with dual-vacancy, black phosphorous, boron nitride, and C2N, are screened for efficient CO2RR. Starting from establishing a correlation map between the adsorption energies of intermediates and diverse electronic and elementary descriptors, sole singular descriptor lost magic to predict catalytic activity. Deep learning method utilizing multi-branch CNN model therefore was employed, using 2D electronic density of states as input to predict adsorption energies. Hybrid-descriptor enveloping both C- and O-types of CO2RR intermediates was introduced to construct volcano plots and limiting potential periodic table, aiming for intuitive screening of catalyst candidates for efficient CO2 reduction to CH4. The eDOS occlusion experiments were performed to unravel individual orbital contribution to adsorption energy. To explore the electronic scale principle governing practical engineering catalytic CO2RR activity, orbitalwise eDOS shifting experiments based on CNN model were employed. The study involves examining the adsorption energy and, consequently, catalytic activities while varying supported single atoms. This work offers a tangible framework to inform both theoretical screening and experimental synthesis, thereby paving the way for systematically designing efficient SACs.

研究の動機と目的

• CO2還元のための単原子触媒（SACs）をスクリーニングする伝統的な記述子ベース手法の限界を克服すること。
• SACの性能評価における密度汎関数理論（DFT）計算の高い計算コストと複雑さに対処すること。
• 高い活性およびCH4生成への選択性を示す最適なSACを特定するデータ駆動型で自動化された手法を開発すること。
• eDOS遮断およびシフトといった説明可能なAI技術を通じて、吸着エネルギーに寄与する電子構造の寄与を解明すること。
• 理論的スクリーニングおよび実験的合成を支援するための、効率的な2次元SACのための体系的フレームワークを確立すること。

提案手法

• 2次元電子状態密度（eDOS）を入力として用いるマルチブランチCNNモデルを採用し、CO2RR中間体の吸着エネルギーを予測する。
• CNNの予測結果を統合したハイブリッド記述子ベースのボキャノ図を構築し、C型およびO型の中間体を併用することで、活性スクリーニングの精度を向上させる。
• 吸着エネルギーへの軌道寄与を特定するために、マスク幅を11～51として変化させたeDOS遮断実験を実施する。
• エネルギー準位のシフトに対する吸着エネルギーの感度を調査するため、軌道別eDOSシフト実験を実施し、0.005 eVの解像度を用いる。
• NVIDIA V100 GPUを用いてKerasTunerを介してHyperBandによるハイパーパramータ最適化を実施し、高精度なCNNモデルの学習を実現する。
• DFTで計算された吸着エネルギーと比較してモデルの性能を検証し、平均絶対誤差（MAE）が0.1 eVに達した。

Figure 1: Catalyst performance analysis pipeline integrating volcano plots and CNN. The figure demonstrates the integrated usage of volcano plots for predictive assessment of existing catalysts, and the utility of CNNs to predict and modulate adsorption energies $E_{\text{ads}}$ using eDOS as input.

実験結果

リサーチクエスチョン

• RQ1 eDOSを学習データとして用いた深層学習モデルは、2次元単原子触媒におけるCO2RR中間体の吸着エネルギーを正確に予測できるか？
• RQ2 個々の電子軌道は、SACにおける主要な反応中間体の吸着エネルギーにどのように寄与しているか？
• RQ3 特定の軌道のエネルギー準位をシフトさせることで、SACの予測される触媒活性にどの程度の影響が生じるか？
• RQ4 C型およびO型の中間体を併用したハイブリッドボキャノ図は、効率的なCH4生成触媒のスクリーニングを向上させられるか？
• RQ5 eDOS遮断およびシフトといった説明可能なAI技術は、SACの性能を支配する電子構造の基本的原則を明らかにできるか？

主な発見

• CNNモデルは、9種のCO2RRおよびHER中間体の吸着エネルギー予測において平均絶対誤差（MAE）が0.1 eVに達し、従来のDFT計算の精度と同等であった。
• eDOS遮断実験の結果、中心金属原子のd軌道および支持体材料のp軌道が、フェルミ準位付近で特に吸着エネルギーに大きな影響を及ぼしていることが判明した。
• 軌道別eDOSシフト実験では、dバンド中心を0.005 eVシフトさせることで予測される吸着エネルギーが最大0.15 eV変化することが示され、触媒活性が電子構造のチューニングに極めて敏感であることが明らかになった。
• ハイブリッドボキャノ図は、Ge@g-C3N4やSn@BNといった有望なSAC候補を低過電圧および高選択性を示すCH4生成触媒として効果的に同定した。
• 本フレームワークは、電子構造と活性の関係を体系的に探査可能にし、経験的記述子手法を超えた触媒設計に役立つインサイトを提供する。
• 本研究は、手動による記述子設計を伴わずに、eDOSを学習データとして用いた深層学習モデルが複雑な構造-活性関係を自動で抽出可能であることを示した。

Figure 2: CNN for electronic density of states. a . Kendall rank correlation coefficient map illustrating the correlation between adsorption energy and other electronic and elementary descriptors. Definitions of the notations are provided in Supplementary Table 15 . b - c . Architectural of ( b ) th