Découverte par apprentissage automatique de descripteurs clés pour l'activation du CO2 sur des carbures et nitrures de métaux de transition bidimensionnels

La fusion de techniques de dépistage quantique à haut débit avec des stratégies modernes d'intelligence artificielle fait partie des activités scientifiques les plus fondamentales ─ mais révolutionnaires ─ capables d'ouvrir de nouveaux horizons dans la découverte de catalyseurs. Ici, nous appliquons cette stratégie au processus de recherche de descripteurs clés appropriés pour l'activation du CO2 sur des carbures/nitrures de métaux de transition (TM) bidimensionnels (MXenes). Divers modèles d'apprentissage automatique (ML) ont été développés pour évaluer 114 MXenes purs et défectueux, où le schéma d'apprentissage automatique de régression par forêt aléatoire (RFR) montre la meilleure performance prédictive pour l'énergie d'adsorption du CO2, avec une erreur absolue moyenne ± écart type de 0,16 ± 0,01 et 0,42 ± 0,06 eV pour les ensembles de données d'entraînement et de test, respectivement. L'analyse de l'importance des caractéristiques a révélé que le centre de bande d (εd), l'électronégativité du métal de surface (χM) et le nombre d'électrons de valence des atomes métalliques (MV) sont des descripteurs clés pour l'activation du CO2. Ces résultats fournissent une base fondamentale pour concevoir de nouveaux catalyseurs à base de MXene grâce à la prédiction de potentiels indicateurs pour l'activation du CO2 et leur utilisation ultérieure.