通过机器学习揭示隐藏的原子运动

快速阅读: 据《科学日报》最新报道，自动过程探索者（APE）是一种创新方法，通过动态更新过程列表改进传统动力蒙特卡洛（kMC）模拟，减少偏差并揭示更多原子运动。应用于钯（Pd）表面研究，APE发现了近3000个新过程，显著提升了模拟准确性。该技术结合机器学习的原子间势（MLIPs），为高效催化剂发展提供新见解，有助于能源生产和污染控制，特别是在汽车尾气净化器的应用中。APE方法深化了对钯表面氧化重构的理解，有望推动更清洁、更可持续的技术发展。

主要方面•主要方面创新方法：自动过程探索者（APE）通过动态更新过程列表来改进传统的动力蒙特卡洛（kMC）模拟，减少偏差，并揭示之前被忽略的原子运动。•重要发现：将APE应用于钯（Pd）表面的研究，发现了近3000个过程，突显了之前未检测到的复杂原子运动。•实际影响：APE提供的见解可以促进更高效的催化剂的发展，这对能源生产和污染控制至关重要。这表明在汽车尾气净化器等领域的应用，这些装置用于减少汽车排放。•机器学习集成：APE利用机器学习的原子间势（MLIPs）来预测原子相互作用，提高模拟的准确性。理解动力蒙特卡洛模拟动力蒙特卡洛（kMC）模拟对于研究原子和分子过程的长期演化至关重要。它们广泛应用于表面催化等领域，在这些领域中，材料表面的反应对于开发能够加速能源生产和污染控制的高效催化剂至关重要。这就是自动过程探索者（APE）发挥作用的地方。APE方法由弗里茨·哈伯研究所理论部门开发的APE通过根据系统的当前状态动态更新过程列表来克服传统kMC模拟中的偏差。这种方法鼓励探索新的结构，促进结构探索的多样性和提高效率。APE将过程探索与kMC模拟分离，采用模糊机器学习分类来识别不同的原子环境。这允许对潜在的原子运动进行更广泛的探索。钯氧化的新见解通过将APE与机器学习的原子间势（MLIPs）相结合，研究人员将其应用于汽车尾气净化器所用的钯（Pd）表面早期氧化阶段，这是污染控制中的一个关键系统。当应用于这一阶段时，APE发现了近3000个过程，远远超过了传统kMC模拟的能力。这些发现揭示了在催化过程中类似分子过程的时间尺度上发生的复杂原子运动和重新构造过程。结论APE方法提供了对钯表面在氧化过程中重构的详细理解，揭示了之前未见的复杂性。这项研究增强了我们对纳米结构演变及其在表面催化中的作用的了解。通过提高催化剂的效率，这些见解有可能显著影响能源生产和环境保护，促进更清洁的技术和更可持续的工业过程。

(以上内容均由Ai生成)