2023年纯计算Nature Communications

通过机器学习探索真实尺度金属纳米粒子的电化学稳定性

2023年韩国科学技术院Donghun Kim, Sang Soo Han ， Hyuck Mo Lee教授发表名为《Machine learning-enabled exploration of the electrochemical stability of real-scale metallic nanoparticles》的文章，开发了一个键型嵌入式晶体图卷积神经网络（BE-CGCNN）模型，其中四种键型被分类。由于键型嵌入方法的准确性得到了提高，作者展示了为涉及多达 6525 个原子（直径约为 4.8 纳米）的超大尺寸NP构建可靠的Pourbaix图，从而能够探索各种纳米颗粒NP尺寸和形状的电化学稳定性。随着NP尺寸的增大，基于BE-CGCNN的Pourbaix图很好地再现了实验观察结果。

文章亮点

文章名称：Machine learning-enabled exploration of the electrochemical stability of real-scale metallic nanoparticles
文章期卷号：Nature Communications | (2023) 14:3004
官方网址：https://www.nature.com/articles/s41467-023-38758-1#Sec1

如下图b所示，对于键，作者将其分为四种类型：吸附剂内的共价键（如 O-H）、NP内的金属键（如 Pt-Pt）、化学吸附的化学键（如 Pt-O）以及最后一种不同吸附剂之间的非键相互作用（如 H…O）。同时计算了吸附能的均方误差随特征数量的增加而变化的情况，如图c所示。

由于对于大颗粒来说，总体吸附物的吸附能过大，影响神经网络的训练效果，所以作者提出了使用吸附能差进行训练，公式如下所示。

得到的训练结构误差都在可控误差范围之内。

同时证明了四种键型嵌入式晶体图卷积神经网络（BE-CGCNN）模型的误差对比，发现非键相互作用是一个关键项，应将其视为重要项，尤其是在存在范德华相互作用的高表面覆盖率情况下。考虑非键相互作用后误差值明显降低。

然后对比了完全由BE-CGCNN模型构建的Pt55NP(Ih)表面Pourbaix图与通过DFT计算获得的基本真实图。观察发现，DFT和ML的结果非常相似，边界线的y-截距平均相差不到0.1eV。

最后计算了，原子数量为561、3871和6535的超大Nps，与现有的实验报告进行比较也发现符合良好。

作者的这一工作提出了BE-CGCNN可以作为一种强有力的工具，用于研究电化学环境中实际尺寸和任意形状NPs的稳定性，而这在传统的DFT方案中是不可能实现的（计算时间过长）。