[论文解读] 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 5

一句话总结

本研究结合密度泛函理论（DFT）与机器学习（ML），以加速发现碳氮化物（g-C₃N₄）负载的单原子催化剂（SACs）在析氢反应（HER）中的应用。采用支持向量回归（SVR）模型，对氢吸附吉布斯自由能（ΔG_H）的预测实现了高精度，平均绝对误差为0.45 eV，决定系数R²为0.81，识别出B、Mn和Co为最佳候选，因其ΔG_H值接近最优（低于0.09 eV）。

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.

研究动机与目标

• 识别在析氢反应（HER）中具有高稳定性和高活性的g-C₃N₄负载单原子催化剂（SACs）。
• 通过整合机器学习实现对催化活性的快速预测，以克服DFT筛选的高计算成本。
• 识别控制SACs@g-C₃N₄体系HER性能的关键物理化学描述符。
• 开发一种可扩展、数据驱动的工作流程，结合DFT与ML，以高效发现可持续能源应用中的催化剂。

提出的方法

• 对g-C₃N₄上20种金属与非金属原子（B、C、N、O、F、Si、P、S、Cl、Al、Sc、Ti、V、Cr、Mn、Fe、Ni、Cu、Zn）在不同活性位点（C、N1、N2、H）上的80种构型进行了系统的DFT计算。
• 计算了关键催化描述符：形成能、氢吸附吉布斯自由能（ΔG_H）以及所有构型的带隙。
• 利用DFT生成的数据训练了六种机器学习模型（SVR、梯度提升、随机森林、AdaBoost、多层感知机、岭回归），以预测ΔG_H。
• 通过留一法交叉验证进行特征选择，并利用10折交叉验证进行超参数调优，以优化模型性能。
• 采用支持向量回归（SVR）结合特征工程（FESF），识别出对HER活性最具影响力的描述符。
• 通过平均绝对误差（MAE）和决定系数（R²）等指标，在独立测试集上验证了模型性能。

实验结果

研究问题

• RQ1 哪些单原子掺杂剂在g-C₃N₄上表现出热力学稳定构型并具有有利的HER活性？
• RQ2 机器学习模型能否基于低成本描述符高精度预测氢吸附吉布斯自由能（ΔG_H）？
• RQ3 控制SACs@g-C₃N₄体系HER活性的关键物理化学描述符是什么？
• RQ4 DFT-ML联合工作流程是否能显著加速高性能非贵金属HER催化剂的发现？

主要发现

• B、Mn和Co原子锚定在g-C₃N₄的N1位点时表现出最有利的HER活性，|ΔG_H|值低于0.09 eV，表明其催化性能可能超过Pt(111)。
• SVR模型在测试集上表现出最佳预测性能，平均绝对误差（MAE）为0.45 eV，R²为0.81，证明其具有高度的可靠性与准确性。
• 形成能、键长、价电子数、熔点和沸点被确定为影响SACs@g-C₃N₄中HER活性的前五项关键描述符。
• DFT-ML工作流程成功筛选了80种构型，识别出18种具有负形成能的稳定候选，包括Sc、Ti、Mn、B、Al、Si、Fe、Co、Ni等。
• 本研究证实，配位环境及锚定位点（如N1位点与C位点）在调控基于g-C₃N₄的SACs催化活性方面至关重要。
• 特征选择降低了输入维度，提升了模型效率，证实元素性质（如熔点/沸点）与DFT计算描述符（如形成能、键长）共同决定HER活性。