Une équipe de recherche collaborative dirigée par le professeur Pan Feng de la School of New Materials de la Peking University Shenzhen Graduate School a développé un cadre d'autoencoder variationnel basé sur la topologie (PGH-VAE) pour permettre la conception inverse interprétable des sites actifs catalytiques.
Leur étude, intitulée « Design inverse des sites actifs catalytiques via des modèles génératifs profonds basés sur la topologie interprétable » et publié dans MATÉRIAUX DE COMPORTATION NPJintroduit une nouvelle intégration de la chimie structurelle de la théorie graphique, de la topologie algébrique et des modèles génératifs profonds, permettant la conception rationnelle de catalyseurs avec des propriétés d'adsorption ciblées à partir d'objectifs de performance.
La conception de catalyseurs avec des sites actifs précis est crucial pour améliorer l'efficacité des processus énergétiques et chimiques. Les méthodes traditionnelles de conception vers l'avant, basées sur le DFT et l'apprentissage automatique, luttent avec des systèmes complexes, tels que les alliages à haute entropie (HEA), en raison de leur interprétabilité et de leurs contraintes de données limitées. Les représentations basées sur des graphiques des structures atomiques, associées à l'homologie de GlMY persistante (PGH), un outil topologique pour les graphiques asymétriques, fournissent une nouvelle approche pour analyser et générer des structures catalytiques.
Ce cadre de conception inverse interprétable fournit une alternative puissante aux méthodes d'essai et d'erreur dans la découverte du catalyseur. Ce travail démontre que la conception inverse interprétable n'est plus hors de portée.
En reliant les descripteurs topologiques aux mesures de performance physique, le cadre fournit une voie transparente de la modélisation théorique à la synthèse pratique du catalyseur. De telles percées sont particulièrement cruciales pour les HEA et autres catalyseurs structurellement complexes où l'expérimentation des essais et erreurs est coûteuse et inefficace.
Dans cette étude, les chercheurs ont introduit un cadre de conception inverse physiquement interprétable qui combine des représentations structurelles théoriques graphiques avec une analyse topologique et une modélisation générative profonde. En utilisant l'homologie de GlMY persistante (PGH), ils ont extrait les invariants topologiques, tels que la connectivité atomique et les vides structurels, à partir de configurations catalytiques complexes, permettant une compréhension plus approfondie de la façon dont les caractéristiques structurelles locales et à longue portée influencent les performances catalytiques.
Pour capturer ces interactions, ils ont conçu un système de représentation à double canal qui code séparément de la coordination atomique et des effets de modulation élémentaire distants. Ces données ont ensuite été utilisées pour former un autoencoder variationnel (VAE) couplé à un régresseur augmentant le gradient (GBRT), réalisant des prédictions très précises de * OH Adsorption Energy, avec une erreur absolue moyenne de seulement 0,045 eV, malgré le fait d'être formé sur un ensemble de données relativement faible d'environ 1100 échantillons de DFT.
Remarquablement, l'étude a révélé une forte corrélation linéaire entre les descripteurs topologiques, en particulier les nombres Betti et les propriétés d'adsorption, fournissant un aperçu physique rare de la relation structure-performance. Le modèle a également généré avec succès des structures de site actif optimales dans les alliages à haute entropie IRPDPTRHRU, identifiant le PT / PD comme atomes de pont préférés et RU comme régulateur distant. En outre, il prédisait les rapports de composition idéaux pour différentes surfaces cristallines, offrant des cibles précises et exploitables pour la validation expérimentale.
Cette étude établit une nouvelle référence pour la conception interprétable des matériaux basée sur les données. Bien que axé sur les HEA, le cadre peut être étendu à d'autres catalyseurs et matériaux pour les applications énergétiques, environnementales et industrielles, offrant un chemin évolutif vers la découverte rationnelle de matériaux guidés par AI.
