一种基于反应机器学习势的催化剂高通量筛选系统及方法
本发明涉及催化剂高通量筛选,具体而言,涉及一种基于反应机器学习势的催化剂高通量筛选系统及方法。
背景技术:
1、在电催化二氧化碳还原催化剂研发过程中,需要从大量金属合金、单原子材料及复合催化材料中筛选具有较低反应能垒和较高选择性的催化剂。现有高通量筛选系统通常采用第一性原理计算对候选催化剂进行逐一评价,由于需要针对不同催化剂分别构建表面模型并计算吸附过程及反应路径,导致计算资源消耗较大,难以满足大规模材料筛选需求。同时,实际催化反应过程中涉及原子结构动态变化,而现有基于静态参数的筛选方法难以准确描述反应过程中的能量演化规律,从而影响催化剂性能预测的准确性。
2、因此,有必要设计一种基于反应机器学习势的催化剂高通量筛选系统及方法用以解决当前技术中存在的问题。
技术实现思路
1、鉴于此,本发明提出了一种基于反应机器学习势的催化剂高通量筛选系统及方法,旨在解决现有技术中计算成本高、难以捕捉反应动态过程及选择性预测不准的问题。
2、一个方面,本发明提出了一种基于反应机器学习势的催化剂高通量筛选系统,包括:
3、催化剂信息获取模块,被配置为获取多个候选催化剂的结构信息,并确定各候选催化剂对应的反应体系;
4、反应过程计算模块,被配置为基于反应机器学习势对所述候选催化剂对应的反应过程进行计算,获得反应过程中不同反应状态下的能量变化信息、原子结构变化信息和反应路径信息;
5、反应特征分析模块,被配置为根据所述能量变化信息分析不同反应步骤对应的能垒变化情况,并根据所述原子结构变化信息判断催化剂的活性位点变化情况;
6、催化性能判断模块,被配置为根据所述能垒变化情况、活性位点变化情况和反应路径信息,判断候选催化剂对目标反应路径和竞争反应路径的促进程度,并获得催化性能判断结果;
7、筛选模块,被配置为根据所述催化性能判断结果,对多个候选催化剂进行筛选,确定目标催化剂。
8、进一步地,基于反应机器学习势对所述候选催化剂对应的反应过程进行计算时,包括:
9、根据所述候选催化剂的结构信息和所述反应体系,构建对应的反应初始状态;
10、基于所述反应机器学习势对所述反应初始状态进行状态演化计算,获得不同反应阶段对应的原子间相互作用信息和体系能量信息;
11、根据不同反应阶段对应的所述原子间相互作用信息,确定反应过程中催化剂和反应物的原子结构变化情况;
12、根据不同反应阶段对应的所述体系能量信息和原子结构变化情况,确定反应状态转变关系,并获得所述候选催化剂对应的能量变化信息、原子结构变化信息和反应路径信息。
13、进一步地,根据不同反应阶段对应的所述体系能量信息和原子结构变化情况,确定反应状态转变关系时,包括:
14、根据所述体系能量信息对不同反应阶段对应的能量状态进行关联分析,确定相邻反应状态之间的能量变化关系;
15、根据所述原子结构变化情况对不同反应阶段对应的原子排列状态和键合关系进行匹配,确定反应过程中原子迁移和化学键变化关系;
16、根据所述能量变化关系和所述原子迁移、化学键变化关系,对不同反应状态之间的转变过程进行标识,确定反应状态转变节点;
17、根据所述反应状态转变节点之间的连接关系,构建所述候选催化剂对应的反应状态转变关系。
18、进一步地,根据所述能量变化信息分析不同反应步骤对应的能垒变化情况时,包括:
19、根据所述反应状态转变关系确定相邻反应状态之间的能量差值,获得不同反应步骤对应的能量变化量;
20、根据不同反应步骤对应的所述能量变化量,确定各反应步骤中的能量峰值状态和能量最低状态;
21、根据所述能量峰值状态与所述能量最低状态之间的差值,计算不同反应步骤对应的反应能垒;
22、根据各反应步骤对应的所述反应能垒进行关联分析,确定所述候选催化剂对应反应过程中的能垒变化情况。
23、进一步地,根据所述原子结构变化信息判断催化剂的活性位点变化情况时,包括:
24、根据不同反应状态对应的所述原子结构变化信息,提取催化剂表面原子的配位数变化、键长变化和局域结构变化信息;
25、根据所述配位数变化、键长变化和局域结构变化信息,确定反应过程中催化剂表面原子的结构活跃区域;
26、根据所述结构活跃区域对应的原子变化特征,分析反应物吸附、活化和中间态形成过程中的活性位点作用状态;
27、根据不同反应阶段对应的所述活性位点作用状态,确定催化剂活性位点在反应过程中的变化情况。
28、进一步地,根据所述配位数变化、键长变化和局域结构变化信息,确定反应过程中催化剂表面原子的结构活跃区域时,包括:
29、根据不同反应状态下催化剂表面原子的配位数变化,确定表面原子周围的配位环境变化程度;
30、根据不同反应状态下催化剂表面的原子键长变化,确定原子间相互作用强度变化情况;
31、根据所述配位环境变化程度和所述原子间相互作用强度变化情况获得催化剂表面不同原子区域对应的结构变化特征;
32、根据所述结构变化特征对催化剂表面原子区域进行划分,确定反应过程中催化剂表面的结构活跃区域。
33、进一步地,根据所述结构变化特征对催化剂表面原子区域进行划分,确定反应过程中催化剂表面的结构活跃区域时,包括:
34、根据所述结构变化特征提取不同催化剂表面原子区域对应的结构变化参数;
35、根据所述结构变化参数对不同原子区域的结构变化程度进行计算,获得各原子区域对应的变化特征值;
36、根据各原子区域对应的所述变化特征值与变化阈值之间的关系,对催化剂表面原子区域进行筛选,确定目标原子区域;
37、根据所述目标原子区域在催化剂表面的分布位置,确定反应过程中催化剂表面的结构活跃区域。
38、进一步地,根据所述能垒变化情况、活性位点变化情况和反应路径信息,判断候选催化剂对目标反应路径和竞争反应路径的促进程度,并获得催化性能判断结果时,包括:
39、根据所述能垒变化情况确定所述目标反应路径和竞争反应路径对应的反应能垒变化特征;
40、根据所述反应路径信息确定所述目标反应路径和竞争反应路径对应的反应状态转变过程,并获得各反应路径对应的反应过程特征;
41、根据所述活性位点变化情况确定不同反应路径对应的活性位点参与程度;
42、根据所述反应能垒变化特征、反应过程特征和活性位点参与程度,分别计算候选催化剂对目标反应路径和竞争反应路径的促进程度,并根据两者之间的差异获得催化性能判断结果。
43、进一步地,根据所述催化性能判断结果,对多个候选催化剂进行筛选,确定目标催化剂时,包括:
44、根据各候选催化剂对应的所述催化性能判断结果,提取目标反应路径促进特征和竞争反应路径抑制特征;
45、根据所述目标反应路径促进特征和竞争反应路径抑制特征,构建候选催化剂对应的反应选择性评价参数;
46、根据多个候选催化剂对应的所述反应选择性评价参数,确定不同候选催化剂对目标反应路径的选择性差异;
47、根据所述选择性差异结合对应的能垒变化特征和活性位点变化特征,确定目标催化剂。
48、与现有技术相比,本发明的有益效果在于:
49、本发明通过引入反应机器学习势,实现了对催化反应全过程的动态建模与高效计算,显著降低了高通量筛选过程中的计算成本,同时提升了对催化剂性能预测的准确性。具体而言,系统不仅能够捕捉反应过程中原子尺度的结构演化信息,还能结合能量变化、活性位点动态行为及多路径竞争机制,全面评估候选催化剂的选择性与活性。相较于传统依赖静态吸附能或单一能垒指标的筛选方法,本发明充分考虑了反应路径的复杂性与催化剂表面结构的动态响应,从而更真实地反映实际催化环境下的材料性能。此外,通过构建结构活跃区域识别机制和反应选择性评价参数,本发明为催化剂设计提供了明确的结构-性能关联依据,有助于加速高性能催化剂的发现与优化进程。
50、另一个方面,本发明还提出了一种基于反应机器学习势的催化剂高通量筛选方法,包括以下步骤:
51、获取多个候选催化剂的结构信息,并确定各候选催化剂对应的反应体系;
52、基于反应机器学习势对所述候选催化剂对应的反应过程进行计算,获得反应过程中不同反应状态下的能量变化信息、原子结构变化信息和反应路径信息;
53、根据所述能量变化信息分析不同反应步骤对应的能垒变化情况,并根据所述原子结构变化信息判断催化剂的活性位点变化情况;
54、根据所述能垒变化情况、活性位点变化情况和反应路径信息,判断候选催化剂对目标反应路径和竞争反应路径的促进程度,并获得催化性能判断结果;
55、根据所述催化性能判断结果,对多个候选催化剂进行筛选,确定目标催化剂。
56、可以理解的是,上述基于反应机器学习势的催化剂高通量筛选系统及方法具备相同的有益效果,在此不再赘述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com