[论文解读] Machine Learning Potentials for Heterogeneous Catalysis

Amir Omranpour, Jan Elsner+2 more|arXiv (Cornell University)|Nov 1, 2024

Machine Learning in Materials ScienceMaterials Science被引用 3

一句话总结

本文综述了机器学习势（MLPs）作为一种变革性工具，可在计算成本仅为传统方法几分之一的情况下，以从头计算精度模拟多相催化。通过实现大规模、长时间尺度的分子动力学模拟，包括动态效应、溶剂相互作用和核量子效应，MLPs弥合了催化研究中在复杂性、材料和压力方面的差距。

ABSTRACT

The sustainable production of many bulk chemicals relies on heterogeneous catalysis. The rational design or improvement of the required catalysts critically depends on insights into the underlying mechanisms at the atomic scale. In recent years, substantial progress has been made in applying advanced experimental techniques to complex catalytic reactions in operando, but in order to achieve a comprehensive understanding, additional information from computer simulations is indispensable in many cases. In particular, ab initio molecular dynamics (AIMD) has become an important tool to explicitly address the atomistic level structure, dynamics, and reactivity of interfacial systems, but the high computational costs limit applications to systems consisting of at most a few hundred atoms for simulation times of up to tens of picoseconds. Rapid advances in the development of modern machine learning potentials (MLP) now offer a new approach to bridge this gap, enabling simulations of complex catalytic reactions with ab initio accuracy at a small fraction of the computational costs. In this perspective, we provide an overview of the current state of the art of applying MLPs to systems relevant for heterogeneous catalysis along with a discussion of the prospects for the use of MLPs in catalysis science in the years to come.

研究动机与目标

• 解决静态DFT和经典力场在模拟具有真实长度和时间尺度的复杂、动态催化界面时的局限性。
• 通过用训练好的机器学习势替代高成本的量子力学计算，克服从头计算分子动力学（AIMD）的计算瓶颈。
• 实现在数千原子规模、纳秒时间尺度上的多相催化体系模拟，捕捉有限温度效应和动态表面过程。
• 利用MLP加速的环状聚合物分子动力学，将核量子效应（NQEs）整合到催化模拟中，提升质子转移和反应动力学的准确性。
• 通过提供反应机理、溶剂作用、缺陷效应以及原位类似条件下表面重构的原子级洞察，推进催化剂的合理设计。

提出的方法

• 在高精度从头计算数据（如DFT）上训练机器学习势（MLPs），以实现电子结构能量和力的量子力学精度再现。
• 使用对称性不变图神经网络（如SchNet、PhysNet、ANI）编码原子环境，确保在旋转和移动下的不变性。
• 应用主动学习策略，迭代选择最具信息量的构型用于训练，提升数据效率和模型可迁移性。
• 将MLPs集成到路径积分分子动力学（PIMD）中，以考虑核量子效应（NQEs），实现质子转移和零点运动的模拟。
• 在不同表面、吸附物、溶剂和温度条件下验证MLPs的鲁棒性和可迁移性，确保其超越训练数据的泛化能力。
• 将MLP驱动的模拟与增强采样技术结合，以探索复杂催化机理中的罕见事件和自由能面。

Figure 1: Schematic representation of the LiMn 2 O 4 {100} Li —water interface. On the left, the full simulation box for the final MD simulation is shown. On the right, the smaller reference systems (bulk LiMn 2 O 4 , bulk water, and the LiMn 2 O 4 {100} Li —water interface) used for training the ML

实验结果

研究问题

• RQ1 机器学习势如何在显著降低计算成本的同时，以从头计算精度准确模拟多相催化中复杂的、活性的界面相互作用？
• RQ2 与静态DFT方法相比，MLPs在模拟表面重构和缺陷介导反应等动态表面过程方面，改善程度如何？
• RQ3 核量子效应（NQEs）对催化体系中质子转移和反应能垒有何影响？MLPs如何实现其在模拟中的高效包含？
• RQ4 溶剂效应——尤其是固-液界面中的溶剂效应——如何改变反应机理？MLPs能否以足够高的精度和可扩展性捕捉这些效应？
• RQ5 MLPs能否在不同材料和反应条件下可靠预测催化活性和选择性，从而实现高通量筛选和合理催化剂设计？

主要发现

• MLPs在模拟含多达数千原子、时间尺度达纳秒的催化体系时，实现了从头计算级别的精度，克服了传统从头计算分子动力学的局限。
• 在沸石中质子跳跃的模拟中，通过MLP加速的环状聚合物分子动力学计算的核量子效应（NQEs）使273 K时的能垒降低，并将跳跃速率提高65倍。
• 即使在473 K时，量子模拟中的质子跳跃速率也比经典模拟高出7倍，表明NQEs在催化质子转移中起着关键作用。
• MLPs成功捕捉了复杂的溶剂-表面相互作用，包括界面水的结构和反应性，而这些在静态DFT模型中常被忽略。
• 将MLPs与增强采样及PIMD结合，可高精度、高效地探索催化机理中的自由能面和罕见事件。
• 尽管具有显著优势，MLPs仍需对训练数据进行仔细筛选，对可迁移性进行验证，并在多样化的化学环境中进行鲁棒性测试，以确保在催化研究中的可靠性。

Figure 2: Snapshots of the ZnO(10 $\overline{1}$ 0)-water interface, illustrating the presence of dissociated water at the surface. (a) Side view of the interface model. (b) Top view displaying only the first layer of adsorbed and dissociated water. Adsorbed water molecules, adsorbed hydroxide ions