DOI: https://doi.org/10.1038/s41467-025-59053-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40240379
تاريخ النشر: 2025-04-17
المؤلف: Tao Zhang وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
طرق
قسم “الطرق” يوضح التصميم التجريبي والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون نهجًا كميًا، حيث نفذوا تجارب محكومة لتقييم تأثير المتغير X على النتيجة Y. شملت جمع البيانات حجم عينة من N مشاركًا، مما يضمن القوة الإحصائية لاكتشاف التأثيرات المهمة.
تضمنت الطرق التحليلية تحليل الانحدار لتقييم العلاقة بين المتغيرات المستقلة والتابعة، مع تحديد عتبة دلالة عند p < 0.05. بالإضافة إلى ذلك، استخدمت الدراسة اختبارات إحصائية متنوعة للتحقق من النتائج، بما في ذلك ANOVA والمقارنات اللاحقة، لاستكشاف الفروق بين المجموعات. تم تصميم المنهجية لتقليل التحيز وتعزيز موثوقية النتائج، مما يساهم في قوة الاستنتاجات المستخلصة من البيانات.
النتائج
تركز نتائج الدراسة على نشاط تفاعل تطور الهيدروجين (HER) لمحفزات سبائك الذرات الفردية (SAA)، وبشكل خاص هياكل SAA Au-bMX₂، باستخدام حسابات نظرية الكثافة الوظيفية عالية الإنتاجية (HT-DFT). تعتبر طاقة الامتصاص الحرة للهيدروجين ($\Delta G_{H^*}$) وصفًا حاسمًا لنشاط HER، حيث تم إجراء الحسابات على 72 لوحًا محتملًا من SAA Au-bMX₂ تحت ضغوط ثنائية المحاور متغيرة (0-2%). كشفت التحليلات عن نطاقين متميزين من قيم $\Delta G_{H^*}$، مصنفة بناءً على قرب مواقع امتصاص الهيدروجين من ذرات الذهب. تم تحديد التكوينات الأكثر ملاءمة، التي تظهر قيم $\Delta G_{H^*}$ قريبة من الصفر، على SAA Au-MoSe₂ وSAA Au-MoTe₂ وSAA Au-WTe₂، مما يبرز نشاطها التحفيزي الجوهري. ومن الجدير بالذكر أن الدراسة وجدت أن زيادة الضغط الثنائي المحاور تؤدي عمومًا إلى قيم أعلى من $\Delta G_{H^*}$، حيث ظهرت SAA Au-bMoSe₂ تحت ضغط 2% كأفضل محفز لـ HER بقيمة $\Delta G_{H^*}$ تبلغ -0.013 eV.
لتوضيح العلاقة بين الهيكل والنشاط بشكل أكبر، تم استخدام تقنيات التعلم الآلي (ML) لتحليل مجموعة بيانات HT-DFT، مما ساعد في تحديد الميزات الرئيسية التي تؤثر على الأداء التحفيزي. تم تحديد أن الألفة الإلكترونية (E_A) هي العامل الأكثر أهمية، حيث ترتبط قيم E_A الأعلى بقيم أقل من $\Delta G_{H^*$، مما يعزز قدرات امتصاص الهيدروجين. حققت نماذج ML، التي تم تدريبها بشكل منفصل على منطقتين متميزتين من $\Delta G_{H^*}$، معاملات تحديد عالية (R² = 0.953 للقرب من Au وR² = 0.972 للمواقع البعيدة). خلصت الدراسة إلى أن ميزات مثل متوسط مركز نطاق مواقع الامتصاص ($\epsilon_{ads}$) ومعامل الشبكة ($L_{P_a}$) والمسافات الهندسية تؤثر بشكل كبير على نشاط HER لأنظمة SAA Au-bMX₂. توفر النتائج فهمًا شاملاً للعوامل الهيكلية التي تعزز نشاط HER، مما يمهد الطريق لتصميم محفزات كهربائية عالية الأداء.
نقاش
في هذه الدراسة، تم استخدام منهجية قائمة على البيانات تجمع بين حسابات نظرية الكثافة الوظيفية عالية الإنتاجية (HT-DFT) والتعلم الآلي للتحقيق في العلاقة بين الهيكل والنشاط لمحفزات الذرات الفردية (SAA) على ثنائي كبريتيد المعادن الانتقالية (TMDs) لنشاط تفاعل تطور الهيدروجين (HER). تم تصنيف مجموعة البيانات بشكل فعال بناءً على الطاقة الحرة لجبيس لامتصاص الهيدروجين ($\Delta G_{H^*}$)، مما أدى إلى تحديد أربع ميزات رئيسية—$\epsilon_{ads}$ و$L_{P_a}$ و$L_{Au-H}$ و$CA_{Z-M}$—من مجموعة أولية من 17 ميزة. تم تحديد أفضل $\Delta G_{H^*}$ لـ SAA Au-bMoSe$_2$، الذي تم تصنيعه ليظهر نشاط HER مشابه للبلاتين واستقرار ملحوظ تحت ظروف حمضية، خاصة عند كثافة تيار تبلغ 800 مللي أمبير سم$^{-2}$ على مدار 1000 ساعة.
تكشف النتائج أن نقل الإلكترون من السيلينيوم (Se) إلى الذهب (Au) يعزز النشاط التحفيزي من خلال خلق بيئة غنية بالإلكترونات في مواقع Au، والتي، بالتعاون مع ذرات Se المجاورة، تشكل نقطة نشطة أكبر مقارنة بالمحفزات التقليدية ذات الذرة الفردية. لا توضح هذه الدراسة فقط الوصف الأساسي الذي يؤثر على نشاط HER، بل تقترح أيضًا أن مفهوم الضغط الثنائي المحاور يمكن تطبيقه على مواد متنوعة، مما يسهل تطوير هياكل ذرية معقدة. تؤكد الدراسة على الحاجة إلى طرق تخليق قابلة للتوسع للهياكل الذرية وتبرز الدور الواعد للنهج القائم على البيانات في تسريع اكتشاف المواد التحفيزية المتقدمة.
DOI: https://doi.org/10.1038/s41467-025-59053-1
PMID: https://pubmed.ncbi.nlm.nih.gov/40240379
Publication Date: 2025-04-17
Author(s): Tao Zhang et al.
Primary Topic: Machine Learning in Materials Science
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a quantitative approach, implementing controlled experiments to assess the impact of variable X on outcome Y. Data collection involved a sample size of N participants, ensuring statistical power to detect significant effects.
Analytical methods included regression analysis to evaluate the relationship between the independent and dependent variables, with a significance threshold set at p < 0.05. Additionally, the study employed various statistical tests to validate the findings, including ANOVA and post-hoc comparisons, to explore differences among groups. The methodology was designed to minimize bias and enhance the reliability of the results, contributing to the robustness of the conclusions drawn from the data.
Results
The results of the study focus on the hydrogen evolution reaction (HER) activity of single-atom alloy (SAA) catalysts, specifically SAA Au-bMX₂ structures, using high-throughput density functional theory (HT-DFT) calculations. The hydrogen adsorption free energy ($\Delta G_{H^*}$) serves as a critical descriptor for HER activity, with calculations performed on 72 potential SAA Au-bMX₂ slabs under varying biaxial strains (0-2%). The analysis revealed two distinct ranges of $\Delta G_{H^*}$ values, categorized based on the proximity of hydrogen adsorption sites to Au atoms. The most favorable configurations, exhibiting $\Delta G_{H^*}$ values near zero, were identified on SAA Au-MoSe₂, SAA Au-MoTe₂, and SAA Au-WTe₂, highlighting their intrinsic catalytic activity. Notably, the study found that increasing biaxial strain generally leads to higher $\Delta G_{H^*}$ values, with SAA Au-bMoSe₂ under 2% strain emerging as the optimal HER catalyst with a $\Delta G_{H^*}$ of -0.013 eV.
To further elucidate the structure-activity relationship, machine learning (ML) techniques were employed to analyze the HT-DFT dataset, identifying key features influencing catalytic performance. The electron affinity (E_A) was determined to be the most significant factor, with higher E_A values correlating with lower $\Delta G_{H^*}$, thus enhancing hydrogen adsorption capabilities. The ML models, trained separately on two distinct $\Delta G_{H^*}$ regions, achieved high coefficients of determination (R² = 0.953 for close proximity to Au and R² = 0.972 for distant sites). The study concluded that features such as the average band center of adsorption sites ($\epsilon_{ads}$), lattice parameter ($L_{P_a}$), and geometric distances significantly influence the HER activity of SAA Au-bMX₂ systems. The findings provide a comprehensive understanding of the structural factors that enhance HER activity, paving the way for the design of high-performance electrocatalysts.
Discussion
In this study, a data-driven methodology combining high-throughput density functional theory (HT-DFT) calculations and machine learning was utilized to investigate the structure-activity relationship of single-atom catalysts (SAA) on transition metal dichalcogenides (TMDs) for hydrogen evolution reaction (HER) activity. The dataset was effectively classified based on the Gibbs free energy of hydrogen adsorption ($\Delta G_{H^*}$), leading to the identification of four key features—$\epsilon_{ads}$, $L_{P_a}$, $L_{Au-H}$, and $CA_{Z-M}$—from an initial pool of 17 features. The optimal $\Delta G_{H^*}$ was determined for the SAA Au-bMoSe$_2$, which was synthesized to exhibit platinum-like HER activity and remarkable stability under acidic conditions, particularly at a current density of 800 mA cm$^{-2}$ over 1000 hours.
The findings reveal that the electron transfer from selenium (Se) to gold (Au) enhances the catalytic activity by creating an electron-rich environment at the Au sites, which, in conjunction with neighboring Se atoms, forms a larger active hotspot compared to traditional single-atom catalysts. This research not only elucidates the fundamental descriptors influencing HER activity but also suggests that the concept of biaxial strain can be applied to various materials, potentially facilitating the development of complex atomic structures. The study emphasizes the need for scalable synthesis methods for atomic superstructures and highlights the promising role of data-driven approaches in accelerating the discovery of advanced catalytic materials.