[논문 리뷰] Convolutional Neural Networks and Volcano Plots: Screening and Prediction of Two-Dimensional Single-Atom Catalysts

Haoyu Yang, Juanli Zhao외 5명|arXiv (Cornell University)|2024. 02. 06.

Machine Learning in Materials ScienceMaterials Science인용 수 3

한 줄 요약

이 연구는 CO2 환원을 위한 이차원 단원자 촉매(SACs)를 선별하고 예측하기 위해 다중지점 컨volutional 신경망(CNNs)과 화산도를 통합한 하이브리드 프레임워크를 제안한다. 전자 밀도 상태(eDOS)를 입력으로 사용하여 CNN이 흡착 에너지를 예측하며, 평균 절대 오차(MAE)가 0.1 eV로, 궤도별 막힘 및 이동 실험을 통해 메탄 생성을 위한 최적의 SACs를 정확하게 규명한다.

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.

연구 동기 및 목표

• 전통적인 서술자 기반 방법의 한계를 극복하여 CO2 환원을 위한 단원자 촉매(SACs)를 선별하는 것.
• SAC 성능 평가에서 밀도 함수 이론(DFT) 계산의 높은 계산 비용과 복잡성을 해결하는 것.
• 높은 활성도와 선택도를 갖춘 메탄 생성을 위한 최적의 SACs를 식별하기 위한 데이터 기반, 자동화된 방법 개발.
• 전자 구조 기여도를 궤도별 막힘 및 이동 실험과 같은 설명 가능한 AI 기법(eDOS 막힘 및 이동)을 통해 광범위하게 분석하는 것.
• 이론적 선별과 실험적 합성에 대한 체계적인 프레임워크를 구축하여 효율적인 2D SACs 개발을 이끌어내는 것.

제안 방법

• 2차원 전자 밀도 상태(eDOS)를 입력으로 사용하여 CO2RR 중간체의 흡착 에너지를 예측하는 다중지점 CNN 모델을 활용.
• CNN 예측 결과를 통합한 하이브리드 서술자 기반 화산도를 구현하여 C형 및 O형 중간체를 모두 포함함으로써 활성도 선별 성능 향상.
• 다양한 마스크 폭(11–51)을 사용한 eDOS 막힘 실험을 수행하여 흡착 에너지에 기여하는 궤도 기여도 규명.
• 0.005 eV 해상도를 사용하여 궤도별 eDOS 이동 실험을 수행하여 특정 궤도 에너지 수준 이동이 흡착 에너지에 미치는 민감도 분석.
• NVIDIA V100 GPU를 활용하여 KerasTuner를 통한 HyperBand 하이퍼파rameter 최적화를 통해 고정밀도 CNN 모델 훈련.
• DFT로 계산된 흡착 에너지와의 비교를 통해 모델 성능 검증을 수행하여 평균 절대 오차(MAE)가 0.1 eV를 기록.

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.

실험 결과

연구 질문

• RQ1 eDOS를 기반으로 훈련된 딥러닝 모델이 2차원 단원자 촉매에서 CO2RR 중간체의 흡착 에너지를 정확하게 예측할 수 있는가?
• RQ2 개별 전자 궤도는 SACs에서 핵심 반응 중간체의 흡착 에너지에 어떻게 기여하는가?
• RQ3 특정 궤도의 에너지 수준을 이동시키는 것이 SACs의 예측 촉매 활성도에 어느 정도의 영향을 미치는가?
• RQ4 C형 및 O형 중간체를 모두 포함한 하이브리드 화산도는 효율적인 메탄 생성 촉매의 선별에 향상된 성능을 보일 수 있는가?
• RQ5 eDOS 막힘 및 이동과 같은 설명 가능한 AI 기법을 통해 SAC 성능을 지배하는 기본 전자 구조 원리들을 규명할 수 있는가?

주요 결과

• CNN 모델은 9종의 CO2RR 및 수소 산화 반응(HER) 중간체의 흡착 에너지를 예측하는 데 평균 절대 오차(MAE)가 0.1 eV로, 기존 DFT 계산의 정확도를 충족한다.
• eDOS 막힘 실험 결과, 중심 금속 원자의 d-오비탈과 기초 물질의 p-오비탈이 흡착 에너지에 크게 기여하며, 특히 패피 수준 근처에서 두드러진다.
• 궤도별 eDOS 이동 실험 결과, d-밴드 중심을 0.005 eV 이동시키는 것만으로도 예측된 흡착 에너지가 최대 0.15 eV 변화함을 확인하여 촉매 활성도가 전자 구조 조정에 매우 민감함을 입증.
• 하이브리드 화산도는 저과전압과 높은 선택도를 보이는 유망한 SAC 후보들—예를 들어 Ge@g-C3N4와 Sn@BN—을 성공적으로 식별하였다.
• 이 프레임워크는 전자 구조-활성도 상관관계를 시스템적으로 탐색할 수 있게 하여, 경험적 서술자 방법을 뛰어넘는 촉매 설계에 실질적인 통찰을 제공한다.
• 이 연구는 eDOS를 기반으로 훈련된 딥러닝 모델이 수동 서술자 설계 없이도 복잡한 구조-활성도 상관관계를 자동으로 추출할 수 있음을 입증한다.

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