[论文解读] Machine Learning Assisted Design and Optimization of Transition Metal-Incorporated Carbon Quantum Dot Catalysts for Hydrogen Evolution Reaction

Duong Nguyen Nguyen, Min‐Cheol Kim+8 more|arXiv (Cornell University)|Oct 26, 2022

Electrocatalysts for Energy Conversion被引用 4

一句话总结

本研究提出了一种机器学习（ML）辅助的设计策略，用于过渡金属掺杂碳量子点（M@CQD），以优化析氢反应（HER）催化剂。利用贝叶斯遗传算法（BGA）ML模型，确定了在三维还原氧化石墨烯（3D rGO）上的Ni@CQD为最优催化剂，其在10 mA cm⁻²电流密度下表现出189 mV的过电位，Tafel斜率为52 mV dec⁻¹，并在酸性介质中表现出优异的耐久性，该结果通过电化学测试和DFT模拟得到验证。

ABSTRACT

Development of cost-effective hydrogen evolution reaction (HER) catalysts with outstanding catalytic activity, replacing cost-prohibitive noble metal-based catalysts, is critical for practical green hydrogen production. A popular strategy for promoting the catalytic performance of noble metal-free catalysts is to incorporate earth-abundant transition metal (TM) atoms into nanocarbon platforms such as carbon quantum dots (CQDs). Although data-driven catalyst design methods can significantly accelerate the rational design of TM element-doped CQD (M@CQD) catalysts, they suffer from either a simplified theoretical model or the prohibitive cost and complexity of experimental data generation. In this study, we propose an effective and facile HER catalyst design strategy based on machine learning (ML) and ML model verification using electrochemical methods accompanied with density functional theory (DFT) simulations. Based on a Bayesian genetic algorithm (BGA) ML model, the Ni@CQD catalyst on a three-dimensional reduced graphene oxide (3D rGO) conductor is proposed as the best HER catalyst under the optimal conditions of catalyst loading, electrode type, and temperature and pH of electrolyte. We validate the ML results with electrochemical experiments, where the Ni@CQD catalyst exhibited superior HER activity, requiring an overpotential of 189 mV to achieve 10 mA cm-2 with a Tafel slope of 52 mV dec-1 and impressive durability in acidic media. We expect that this methodology and the excellent performance of the Ni@CQD catalyst provide an effective route for the rational design of highly active electrocatalysts for commercial applications.

研究动机与目标

• 开发一种成本低廉、不含贵金属的电催化剂，用于通过析氢反应（HER）生产绿色氢气。
• 通过整合机器学习与实验验证及DFT模拟，克服数据驱动催化剂设计的局限性。
• 识别出可显著提升HER活性的过渡金属掺杂碳量子点（M@CQD）最优配置。
• 建立基于贝叶斯遗传算法（BGA）建模的可预测且可扩展的高性能电催化剂设计框架。

提出的方法

• 采用贝叶斯遗传算法（BGA）模型，基于理论描述符预测最优M@CQD配置用于HER。
• BGA模型评估了催化剂负载量、电极类型、电解液温度和pH值，以确定最佳工作条件。
• 通过电化学实验验证了Ni@CQD催化剂在三维还原氧化石墨烯（3D rGO）上由ML预测的性能。
• 采用密度泛函理论（DFT）模拟，支持对Ni@CQD催化活性及电子结构变化的机理理解。
• 通过实验数据迭代优化模型，以提高预测的准确性和可靠性。
• 机器学习预测与实验及理论验证的整合，实现了催化剂优化的闭环设计流程。

实验结果

研究问题

• RQ1 在地球丰度元素中，哪种过渡金属掺杂碳量子点（M@CQD）配置表现出最高的HER活性？
• RQ2 催化剂负载量、电极类型、温度和pH值如何影响M@CQD催化剂的HER性能？
• RQ3 贝叶斯遗传算法（BGA）模型能否准确预测最优M@CQD配置及工作条件？
• RQ4 DFT模拟预测的Ni@CQD中增强HER活性的本征电子结构与表面作用机制是什么？
• RQ5 实验验证在多大程度上证实了ML预测的Ni@CQD催化剂性能？

主要发现

• 在三维还原氧化石墨烯（3D rGO）上的Ni@CQD催化剂在酸性电解液中达到10 mA cm⁻²电流密度时，过电位为189 mV。
• Ni@CQD催化剂的Tafel斜率为52 mV dec⁻¹，表明其具有有利的Volmer-Tafel或Heyrovsky反应动力学。
• Ni@CQD催化剂在酸性条件下表现出优异的耐久性，可在长时间运行中保持性能。
• BGA模型成功以高精度预测了最优催化剂配置及工作条件，且经实验结果验证。
• DFT模拟证实，Ni掺杂显著改变了CQDs的电子结构，增强了氢吸附自由能并促进了质子转移。
• 集成的ML-实验-DFT框架实现了高性能、非贵金属HER电催化剂的快速、合理设计。