基于描述符的热力学筛选方法用于研究\(\hbox {H}_2\)在掺杂单原子的锐钛矿\(\hbox {TiO}_2\)纳米颗粒上的吸附行为，并结合可解释的机器学习技术进行分析

《Scientific Reports》：Descriptor-guided thermodynamic screening of \(\hbox {H}_2\) adsorption on single-atom-doped anatase \(\hbox {TiO}_2\) nanoparticles with interpretable machine learning

　　

摘要

了解表面掺杂剂如何调节(\hbox {H}_2\)在氧化物纳米颗粒上的吸附对于设计可逆的氢储存材料和催化界面非常重要。在这里，我们采用密度泛函紧束缚计算、概念性DFT描述符、热力学建模以及可解释的机器学习方法，对原始和单原子掺杂的锐钛矿(\hbox {TiO}_2\)纳米颗粒上的(\hbox {H}_2\)吸附进行了基于描述符的筛选研究。将一个表面Ti原子替换为Al、Fe、Hf、La、Mo、Nb、Sn、V、W或Zr后，可以系统地比较不同化学环境下的吸附行为。大多数掺杂剂保持了分子的吸附能力，而Fe则表现出初步的解离活化现象；吸附能量范围从(-0.275\)到(-0.523\) eV，表明单原子掺杂可以在实际应用范围内调节(\hbox {H}_2\)的结合能力。描述符分析将那些仅发生轻微变化的宽带系统与那些由于掺杂剂引入新的前线态而具有增强软度和更高亲电性的窄带系统区分开来。通过留一法交叉验证的符号回归分析发现，在这种小数据量情况下，(\omega ^{-}\)（一种属于亲电性描述符家族的电子给体能力）是最具普遍性的描述符-性质关系；而那些复杂度较高的公式由于过拟合现象而表现不佳。这些复杂公式对电荷转移描述符的敏感性较高，这反映了所采用的符号形式，而非实际的吸附能量变化。高斯过程建模作为一种基于不确定性驱动的主动学习采样设计工具被保留下来。热力学筛选进一步表明，Nb和Zr提供了最平衡的吸附-释放行为，Sn仍具有一定的可行性，而Hf和Mo则表现出更强的结合能力但平衡性较差。总体而言，这一工作流程为氧化物纳米材料中掺杂剂化学性质的筛选提供了一种数据高效且物理意义明确的方法。