将理论注入深度学习，对过渡金属表面进行可解释的化学反应性预测( 二 )

文章图片
图示：TinNet模型的样本外验证。（来源：论文）
该框架可以直接应用于其他吸附物（例如*O）或多个键合原子的活性位点集合，如端金属表面的*N吸附所示。 TinNet不仅实现了与纯基于回归的ML方法相当的预测性能，特别是对于具有看不见的结构和电子特征的样本外系统，而且还能够进行物理解释，为ML发现具有所需催化特性的新基序铺平了道路。

文章图片
图示：对化学键合的物理见解。（来源：论文）
「大多数为材料特性预测或分类开发的机器学习模型通常被认为是『黑匣子』，只能提供有限的物理见解。」研究人员HemanthPillai说。
「TinNet方法扩展了其预测和解释能力，这两者在催化剂设计中都至关重要。」SiwenWang说，他也是该研究的主导者。

文章图片
图示：其他吸附物/面的TinNet模型。（来源：论文）
作为一种混合方法， TinNet将先进的催化理论与人工智能相结合，帮助研究人员深入了解材料设计的这个「黑匣子」，以了解正在发生的事情及其原因，并且可以帮助研究人员在许多领域开辟新天地。
「希望我们可以让社区普遍使用这种方法，其他人可以使用该技术并真正进一步开发对社会至关重要的可再生能源和脱碳技术。」该团队的负责人Xin说，「我认为这确实是可以取得一些突破的关键技术。」
「我真的很喜欢在课堂之外看到化学工程的不同方面。」研究人员Athawale说，「它有很多应用程序，你知道，它可能真的是革命性的。所以成为其中的一部分真是太棒了。」
相关报道：https://techxplore.com/news/2021-11-artificial-intelligence-advance-energy-technologies.html
人工智能×[生物神经科学数学物理材料]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
【将理论注入深度学习，对过渡金属表面进行可解释的化学反应性预测】欢迎关注标星，并点击右下角点赞和在看。