东南大学唯一通讯单位！「国家杰青」王金兰团队，最新AFM！

顶刊收割机 · 公众号 · · 2024-08-25 08:30

正文

【做计算找华算】 理论计算助攻顶刊，50000+成功案例，全职海归技术团队、正版商业软件版权！

经费预存选华算，高至16%预存增值！

研究概述

共价三嗪框架（CTFs）因其丰富的氮含量而受到广泛关注，是一种有前途的光催化剂。然而，由富氮CTFs中氮原子的多样性带来的结构复杂性对探索高性能CTFs提出了挑战。

基于此， 东南大学王金兰教授、刘威教授和吕之阳教授团队 在国际期刊 Advanced Functional Materials 发表题为《Machine Learning-Assisted Design of Nitrogen-Rich Covalent Triazine Frameworks Photocatalysts》的研究论文。

此项研究中，作者开发了一种机器学习方法来合理设计富氮CTFs，并通过实验方法进行验证。

研究采用基于3D特殊正交群(SO(3))不变图神经网络的框架来预测CTFs结构的光催化性能，实现了极高的准确度， R ² 分数超过 0.98 。

该框架从14920个CTFs结构的数据集中识别出了45个高性能候选者。在这些预测的指导下， 研究者选择并成功合成了一种新型CTF结构的吡啶-2, 5-二甲醛（CTF-DCPD），表现出17.70 mmol g ^-1 h ^-1 的超高析氢速率。

该速率显著超过了广泛研究的 CTF-1, 4-二氰基苯（CTF-DCB，10.41 mmol g ^-1 h ^-1 ）。

这项工作为机器学习加速材料开发提供了新的范式，可以推广到其它功能材料的开发。

图文解读