DAC
机器学习辅助催化剂设计,天大团队开发通用且可解释的描述符
编辑 | KX低成本、高效的催化剂高通量筛选对于未来的可再生能源技术至关重要。可解释的机器学习通过提取物理意义来加速催化剂设计,但面临着巨大的挑战。近日,天津大学巩金龙教授、赵志坚教授、张鹏教授团队开发了一种通用且可解释的描述符模型 ARSC,用于统一多种电催化反应的活性和选择性预测。该模型仅利用易于获取的内在属性,成功地解耦了双原子位点的原子属性(A)、反应物(R)、协同(S)和配位效应(C)。在 ARSC 的驱动下,研究人员可以快速找到各种产品的最佳催化剂,而无需进行 50,000 多次密度泛函理论计算。该模型
9/26/2024 2:36:00 PM
ScienceAI
资讯热榜
标签云
AI
人工智能
OpenAI
AIGC
模型
ChatGPT
谷歌
DeepSeek
AI绘画
大模型
机器人
数据
AI新词
Midjourney
开源
Meta
微软
智能
用户
GPT
学习
技术
智能体
Gemini
马斯克
Anthropic
英伟达
图像
AI创作
训练
LLM
论文
代码
算法
苹果
AI for Science
Agent
Claude
腾讯
芯片
Stable Diffusion
蛋白质
具身智能
开发者
xAI
生成式
神经网络
机器学习
人形机器人
3D
AI视频
RAG
大语言模型
研究
百度
Sora
生成
GPU
工具
华为
字节跳动
计算
AGI
大型语言模型
AI设计
搜索
生成式AI
视频生成
DeepMind
特斯拉
场景
AI模型
深度学习
亚马逊
架构
Transformer
MCP
编程
视觉
预测