详细内容或原文请订阅后点击阅览
机器学习和量子化学团结以模拟催化剂动力学
催化剂在现代制造中起着必不可少的作用。从制药到塑料，超过80％的制造产品依赖于生产阶段的催化过程。尤其是过渡金属作为高效的催化剂而脱颖而出，因为它们部分填充的D轨道使它们可以轻松地与其他分子交换电子。然而，这种属性使它们具有挑战性地进行准确建模，需要精确描述其电子结构。
来源:英国物理学家网首页催化剂在现代制造中起着必不可少的作用。从制药到塑料，超过80％的制造产品依赖于生产阶段的催化过程。尤其是过渡金属作为高效的催化剂而脱颖而出，因为它们部分填充的D轨道使它们可以轻松地与其他分子交换电子。然而，这种属性使它们具有挑战性地进行准确建模，需要精确描述其电子结构。
设计可以在逼真的条件下执行的有效过渡金属催化剂不仅需要反应的静态快照。取而代之的是，我们需要捕获动态图像 - 分子在不同的温度和压力下如何移动和相互作用，而原子运动从根本上塑造了催化性能。
为了应对这一挑战，芝加哥大学Pritzker分子工程学院（Uchicago PME）和化学系的Laura Gagliardi教授的实验室开发了一种强大的新工具，可利用电子结构理论和机器学习，以模拟具有准确和速度的过渡金属催化动力学。
“在过去的十年中，机器学习的电位显着提高了我们模拟分子动力学，提供速度和可伸缩性的方式。然而，准确地捕获过渡金属催化剂的电子结构尚无挑战。我们的新方法弥合了这种差距，通过将多个量子化学方法与机器化学效率整合在一起，并均准确地构成了gap，并确定了gag的效率，并能够准确地效应。
结果发表在美国国家科学院会议录中。
已发布 国家科学院的会议录