GLCNN催化预测方法

误差<0.1 eV

用全局与局部结合的卷积神经网络预测吸附能，精度优于现有模型。

Chen, Yuzhuo · Wang, Hao · Lu, Bing · Ni, Yi · Cao, Liang · Wang, Yong · 毛善君

Chinese Journal of Catalysis 2023

具体参数

平均绝对误差

{'zh': '0.1', 'en': '0.1'} eV

技术优势

预测精度高

GLCNN对OH吸附能的预测平均绝对误差小于0.1 eV，优于现有模型。

无需复杂编码

通过将催化表面和吸附位点转换为二维网格和一维描述符，GLCNN直接处理原始结构，避免了复杂编码方法。

可解释性强

GLCNN能从几何和化学/电子特征中提取对称性、配位元素等关键因素，提供无偏的可解释分析。

应用场景

• 多相催化剂筛选：快速预测大量候选催化剂的吸附能，加速筛选。
• 单原子催化剂设计：捕捉精细结构影响，指导单原子催化剂理性设计。
• 电催化剂筛选：预测OH吸附能等关键描述符，高通量筛选电催化剂。