【做計算 找華算】理論計算助攻頂刊，10000+成功案例，全職海歸技術(shù)團隊、正版商業(yè)軟件版權(quán)！經(jīng)費預存選華算，高至15%預存增值！研究背景可持續(xù)制氫需要經(jīng)濟有效的催化劑，低維界面工程技術(shù)已被開發(fā)用于提高析氫反應的催化活性。二維水平異質(zhì)結(jié)構(gòu)電催化劑的研究相對于垂直異質(zhì)結(jié)構(gòu)催化劑而言，研究甚少，但是二維橫向異質(zhì)結(jié)構(gòu)同樣有著良好的界面電荷輸運能力。韓國崇實大學Kyoungmin Min和韓國蔚山大學Young-Han Shin等人利用密度泛函數(shù)理論(DFT)計算測量了二維橫向異質(zhì)結(jié)構(gòu)(LHSs) MX2/M’X’2 (MoS2/WS2, MoS2/WSe2，MoSe2/WS2，MoSe2/WS2，MoSe2/WSe2，MoTe2/WTe2和WS2/WSe2)和MX2/M’X'(NbS2/ZnO，NbSe2/ZnO，NbS2/GaN，MoS2/ZnO, MoS2/AlN, MoS2/GaN和MoSe2/GaN)在界面附近不同位置吸附氫的吉布斯自由能變化(ΔGH)。并利用LHSs的DFT結(jié)果和各種原子信息的實驗數(shù)據(jù)，用所選擇的描述符訓練機器學習（ML）模型，以預測LHSs中HER催化劑的有希望的組合和吸附位點。計算方法自旋極化DFT計算使用VASP量子計算軟件包進行，平面波截止能量設置為420 eV。本文利用廣義梯度近似（GGA）中的PBE泛函來計算電子交換-相關(guān)相互作用，選用DFT-D2方法考慮范德華作用力，使用Monkhorst-Pack k點網(wǎng)格設置為5×5×1，對所有DFT計算進行采樣，并且在Z方向上大于10 ?的真空區(qū)域足以避免周期圖像之間的相互作用，設置能量收斂和力的收斂標準分別小于1×10?5eV和0.02 eV/?。機器學習方法本文重點研究了兩種材料在每個橫向異質(zhì)結(jié)構(gòu)的超級單體中30個吸附點的二維橫向異質(zhì)結(jié)的特征，具體吸附位點及算法流程見圖1。利用這46個特性，作者使用LightGBM構(gòu)建了一個基于梯度增強的回歸和分類ML模型，該模型可以在開源的Python包中獲得。作者通過PyCaret與其他模型的精度比較，研究發(fā)現(xiàn)LightGBM是其中最好的。使用80%的DFT計算數(shù)據(jù)用于訓練，20%用于驗證。然后，對于超參數(shù)優(yōu)化，實現(xiàn)了一種隨機搜索方法，采用10折交叉驗證進行性能評估。圖1. 機器學習流程結(jié)果與討論作者設計的兩種類型的水平異質(zhì)結(jié)構(gòu)分別如圖2（a）和圖2（b）所示。由于材料在扶手椅和之字形方向上的結(jié)合能沒有顯著差異，因此本研究采用沿之字形方向組合兩個重復納米帶單層來構(gòu)建LHSs。減少晶格錯配將有助于熱力學生產(chǎn)具有最小結(jié)構(gòu)缺陷和無主要結(jié)構(gòu)扭曲的異質(zhì)結(jié)。為了建立一個有前景的二維LHS，必須闡明界面的理論原子結(jié)構(gòu)。TMDC材料特征有兩個端面，如圖2所示(即金屬邊和硫邊)。界面1是這些TMDCs的金屬端與其他TMDCs的硫端之間的連接，如圖2a、b所示；或者是這些TMDCs的金屬端與ZnO、AlN、GaN的O/ N端之間的連接，如圖2c、d所示。相反，界面2由TMDCs的硫端和TMDCs的金屬端或ZnO、AlN和GaN組成。因此，LHSs的基元單元格有兩個接口，如圖2所示。同時計算出的結(jié)合能也表明了所有考慮的結(jié)構(gòu)均具備能量穩(wěn)定性。圖2. 水平異質(zhì)結(jié)構(gòu)催化劑示意圖表1總結(jié)了A組和b組LHSs的帶隙值Eg。通常，純單層為半導體，如MoS2 (1.72 eV)、MoSe2 (1.50 eV)、ZnO (1.64 eV)、AlN (2.63 eV)和GaN (2.42 eV)，如圖3a所示。然而，A組中兩個不同單層的結(jié)合導致半導體，而B組中的大多數(shù)是金屬材料。TMDs的高本征電導率改善了電子傳遞，加速了HER過程。如圖3c所示，b族LHS的分波態(tài)密度(PDOS)表現(xiàn)出較強的金屬特征，因此，金屬基B LHSs可以加速電催化HER過程。這是由于Mo/Nb原子在費米能級附近產(chǎn)生了較大的PDOS。因此，B組材料如MoS2，MoSe2、NbS2和NbSe2與氧化鋅、氮化鎵和AlN一起使用，是潛在的HER催化劑。在此，作者集中在B組的HER性質(zhì)和ML調(diào)查。表1. 催化劑帶隙及結(jié)構(gòu)數(shù)據(jù)圖3. 催化劑分波態(tài)密度圖4a，b顯示了a組和b組的ΔGH值。共檢測了30個吸附位點。在圖4a和表S4中，A組的ΔGH為正，值為1 ~ 2.85 eV。這表明，即使在界面區(qū)域，A族LHSs表面也不利于H的吸附。同時，B組出現(xiàn)了一些負的ΔGH值(從-0.95到-0.02 eV)，如圖4b和表S5所示，這表明了H的吸附潛力。吉布斯自由能差結(jié)果還表明，與其他位點相比，S/Se/N/O的頂部更適合用于H的吸收。同時B組中H與LHS在這個位置上的相互作用明顯強于純TMDCs。圖4. H吸附位置及吉布斯自由能H吸附的最佳位置是界面2上S/Se/O/N的頂部。因此，這里重點研究界面2的兩個位置(4,12)的HER特征。如圖5a所示，在S/Se/O頂部的4位顯示了純MoS2、MoSe2、ZnO和LHS MoS2/WS2、MoSe2/WS2 (A組)和MoS2/ZnO、MoSe2/ ZnO (B組)的ΔGH值。圖5b顯示了MoS2、MoSe2和ZnO單層頂部以及MoS2/WS2和MoSe2/ WS2頂部的S/Se/O的ΔGH。同一圖還顯示了LHS MoSe2/ZnO和MoS2/ZnO在12位的頂部的Se/S。A組的MoS2/WS2和MoSe2/WS2對HER的影響較小，因為它們具有顯著且高度正的ΔGH。然而，在圖5a中位置4的ZnO接觸面界面處觀察到明顯的HER影響。從圖5b可以看出，在12位O的吸附和解吸比頂部有O的純ZnO表面更有效。圖5c,d分別顯示了界面2處兩個位置(4,12)的交換電流密度相對于ΔGH的對數(shù)。LHS材料在界面4和12位的HER催化活性接近火山峰，表現(xiàn)出良好的HER催化活性。這是因為電荷重新分配發(fā)生在界面上，激活了H吸附的位點。在氧上吸附H的MoS2/ZnO具有?0.02 eV的ΔGH和?1.89 A?cm?2的電流密度，是這些材料中最有效的，如圖5d所示。該結(jié)果與先前發(fā)表的研究中Pt(?3.1 A?cm?2)，Ag(?6.3 A?cm?2)，Pt/VC(?3.65 A?cm?2)和Pt/W2C(?3.5 A?cm?2)的結(jié)果相當。圖5. 自由能，火山曲線及理論過電位隨后建立一個回歸ML模型，根據(jù)每個LHS中的吸附點來識別和生成不同的輸出值。該模型用于確定每個LHS超胞中30個吸附點的HER性能變化情況。圖6a顯示了R2評分中隨機選擇200次的數(shù)據(jù)的預測精度分布。這樣，作者利用前三種類型的46個特征，根據(jù)ΔGH值預測HER性能的回歸模型中變化的訓練數(shù)據(jù)來識別ML模型的性能。200個結(jié)果的平均R2為0.729，平均MAE為0.244 eV。R2超過0.9的有9例。此外，圖6b顯示了與實際DFT結(jié)果相比的精度，MAE的精度為0.158 eV，R2的精度為0.951。圖6c顯示了預測模型中根據(jù)訓練數(shù)據(jù)點個數(shù)的平均R2精度。基于這個結(jié)果，隨著使用更多的訓練數(shù)據(jù)來訓練模型，模型預測結(jié)果有了明顯的改善。當使用90%的數(shù)據(jù)(206個數(shù)據(jù)點)進行訓練時，R2平均得分達到0.79，最大得分為0.95。作者使用R2超過0.9的9例ML模型進行預測，預測結(jié)果如表S8所示。圖6d中的每個數(shù)據(jù)點表示9個ML模型中每個模型的平均值ΔGH值。通過這個過程，可以在不需要DFT計算的情況下有效地獲得感興趣材料的ΔGH值。根據(jù)吸附點的不同，TaS2/GaN材料的ΔGH值變化最大，WS2/GaN材料的ΔGH值最高。除第12點外，WS2/GaN和WS2/AlN均為ΔGH正值。圖6e列出了經(jīng)常在這個范圍內(nèi)的LHS，以及與Ta結(jié)合使用時表現(xiàn)出最佳性能的LHS。其中，TaS2/ZnO和TaS2/AlN表現(xiàn)出優(yōu)異的ΔGH值。另一方面，N與WS2材料結(jié)合的WS2/AlN和WS2/GaN材料，分別只有一個和兩個吸收位點的ΔGH值接近0 eV。由此，能夠篩選出LHS超級單體中最有利于HER反應的位點。1、3、6、8(頂)、13、14、16、17、18、19、21、22、23、24(橋位)、28和29(空心)點都不好。在反應直接發(fā)生在特定原子上方的頂部位置，HER反應最有利，有20個數(shù)據(jù)點在有利范圍內(nèi)，其次是空心界面，有13個數(shù)據(jù)點，(最差的是)橋接界面，96個數(shù)據(jù)點中只有6個有效數(shù)據(jù)點。圖6. (a) 200次隨機狀態(tài)的R2得分的累積比例。(b) (a)中最佳模型的散點圖。(c) 200個隨機狀態(tài)根據(jù)訓練百分比的平均值。(d)表S6中B組LHS檢驗預測結(jié)果。(e)預測ΔGH值在-0.25和0.25 eV之間的材料分布。(f)預測吸附點數(shù)ΔGH值在-0.25 ~ 0.25 eV之間的分布。結(jié)論與展望綜上所述，作者利用DFT計算和ML模型從49種被認為可行的HER催化劑中篩選出7種LHSs (NbS2/ZnO、NbSe2/ZnO、MoS2/ZnO、MoSe2/ZnO、MoS2/AlN、TaS2/ZnO和TaS2/AlN)，因為它們的ΔGH值接近于零，并且具有相當多的活性位點。使用簡單的元素特征(不需要DFT計算)，訓練后的ML模型可以計算每個LHSs中所有30個可能吸附位點的ΔGH值。我們開發(fā)了46個可以從已有知識中輕松獲取的特征，并選擇了49個LHSs進行篩選。結(jié)合吸附點附近元素的種類和數(shù)量以及各原子的電負性(Magpie_Electronegativity)和平均原子電離勢(Average_Ionization Potential)信息的描述符在本研究中ΔGH的特征性能表現(xiàn)優(yōu)異。利用簡單元素性質(zhì)的回歸和分類ML模型的預期準確性進行了評估，以加速從新型LHS中高通量篩選HER催化劑，本研究為制備HER催化劑提供了新的視角和創(chuàng)新方法。文獻信息Pham, T. H., Kim, E., Min, K., & Shin, Y. H. (2023). Enhanced Hydrogen Evolution Performance at the Lateral Interface between Two Layered Materials Predicted with Machine Learning. ACS Applied Materials & Interfaces.https://doi.org/10.1021/acsami.3c03323 點擊閱讀原文，報名計算培訓！