搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

机器学习加速搜寻新型双钙钛矿氧化物光催化剂

万新阳 章烨辉 陆帅华 吴艺蕾 周跫桦 王金兰

引用本文:
Citation:

机器学习加速搜寻新型双钙钛矿氧化物光催化剂

万新阳, 章烨辉, 陆帅华, 吴艺蕾, 周跫桦, 王金兰

Accelerated design of new double perovskite oxides for photocatalysis via machine learning

Wan Xin-Yang, Zhang Ye-Hui, Lu Shuai-Hua, Wu Yi-Lei, Zhou Qiong-Hua, Wang Jin-Lan
PDF
导出引用
  • A2BB'O6型双钙钛矿氧化物材料,相比于ABO3型单钙钛矿氧化物材料,具有更好的稳定性和更宽泛的能带选择范围,在光催化全解水领域具有良好的应用前景。然而,由于晶体结构和组成元素的多样性,实验和理论上快速、准确搜寻高催化活性的A2BB'O6型双钙钛矿氧化物材料具有相当大的挑战性。本文由材料数据库的带隙值数据出发,采用机器学习与第一性原理相结合的方法,从5万多种A2BB'O6型双钙钛矿氧化物材料中筛选出近8千种可能适用于光催化全解水的材料。对筛选结果的统计分析表明,B/B'位均为d10金属离子的双钙钛矿氧化物更有可能成为全解水光催化剂。随后通过进一步的第一性原理计算挑选出Sr2GaSbO6, Sr2InSbO6 和K2NbTaO6这3种带边位置合适且不含铅、汞离子的A2BB'O6型双钙钛矿氧化物材料作为候选的全解水光催化剂。
    Double perovskite oxides A2BB'O6 have better stability and wider bandgap range than ABO3-type oxides, which exhibit great prospects in photocatalytic overall water splitting. However, due to the diversity of crystal structures and constituents of perovskite oxides, rapid and accurate searching of A2BB'O6 for photocatalyst is still a big challenge, both experimentally and theoretically. In this work, in order to screen out suitable double perovskite oxide photocatalysts, a multi-step framework combined machine learning technique and first-principles calculations is proposed. Nearly 8,000 candidates with proper bandgaps for water splitting are screened out from more than 50,000 A2BB'O6-type double perovskite oxides. Statistical analysis of the results shows that double perovskite oxides with d10 metal ions at B/B' sites are more likely to have good absorption of visible light, and the structural symmetry of double perovskites also has influence on the bandgap values. Furthermore, first-principles calculations demonstrate that Sr2GaSbO6, Sr2InSbO6 and K2NbTaO6 are non-toxic photocatalyst candidates with proper band edges for overall water splitting.
  • [1]

    Dorian J P, Franssen H T, Simbeck D R 2006 Energy Policy 34 1984

    [2]

    Omer A M 2008 Renewable Sustainable Energy Rev. 12 2265

    [3]

    Pfenninger S, Hawkes A, Keirstead J 2014 Renewable Sustainable Energy Rev. 33 74

    [4]

    Liang K, Huang T, Yang K, Si Y, Wu H-Y, Lian J-C, Huang W-Q, Hu W-Y, Huang G-F 2021 Phys. Rev. Appl. 16 054043

    [5]

    Ameen S, Rub M A, Kosa S A, Alamry K A, Akhtar M S, Shin H-S, Seo H-K, Asiri A M, Nazeeruddin M K 2016 ChemSusChem 9 10

    [6]

    Chen S, Takata T, Domen K 2017 Nat. Rev. Mater. 2 17050

    [7]

    Hisatomi T, Kubota J, Domen K 2014 Chem. Soc. Rev. 43 7520

    [8]

    Maeda K, Domen K 2010 J. Phys. Chem. Lett. 1 2655

    [9]

    Kumar A, Kumar A, Krishnan V 2020 ACS Catal. 10 10253

    [10]

    Peña M A, Fierro J L G 2001 Chem. Rev. 101 1981

    [11]

    Ouyang Y, Li Y, Zhu P, Li Q, Gao Y, Tong J, Shi L, Zhou Q, Ling C, Chen Q, Deng Z, Tan H, Deng W, Wang J 2019 J. Mater. Chem. A 7 2275

    [12]

    Grimaud A, May K J, Carlton C E, Lee Y-L, Risch M, Hong W T, Zhou J, Shao-Horn Y 2013 Nat. Commun. 4 2439

    [13]

    Yin W, Weng B, Ge J, Sun Q, Li Z, Yan Y 2019 Energy Environ. Sci. 12 442

    [14]

    Sun H, Xu X, Song Y, Zhou W, Shao Z 2021 Adv. Funct. Mater. 31 2009779

    [15]

    Aczel A A, Bugaris D E, Li L, Yan J, de la Cruz C, zur Loye H C, Nagler S E 2013 Phys. Rev. B 87 014435

    [16]

    Zhou Q, Lu S, Wu Y, Wang J 2020 J. Phys. Chem. Lett. 11 3920

    [17]

    Lu S, Zhou Q, Guo Y, Wang J 2022 Chem 8 769

    [18]

    Lu S, Zhou Q, Guo Y, Zhang Y, Wu Y, Wang J 2020 Adv. Mater. 32 2002658

    [19]

    Wu Y, Lu S, Ju M, Zhou Q, Wang J 2021 Nanoscale 13 12250

    [20]

    Goldsmith B R, Esterhuizen J, Liu J, Bartel C J, Sutton C 2018 AlChE J. 64 2311

    [21]

    Chen T, Guestrin C 2016 XGBoost:A Scalable Tree Boosting System (Association for Computing Machinery) p785-794

    [22]

    Natekin A, Knoll A 2013 Front. Neurorob. 7

    [23]

    Hafner J 2008 J. Comput. Chem. 29 2044

    [24]

    Perdew J P, Burke K, Ernzerhof M 1996 Phys. Rev. Lett. 77 3865

    [25]

    Cai B, Chen X, Xie M, Zhang S, Liu X, Yang J, Zhou W, Guo S, Zeng H 2018 Mater. Horiz. 5 961

    [26]

    Blöchl P E 1994 Phys. Rev. B 50 17953

    [27]

    Monkhorst H J, Pack J D 1976 Phys. Rev. B 13 5188

    [28]

    Aryasetiawan F, Karlsson K, Jepsen O, Schönberger U 2006 Phys. Rev. B 74 125106

    [29]

    Becke A D 1993 J. Chem. Phys. 98 1372

    [30]

    Curtarolo S, Setyawan W, Hart G L W, Jahnatek M, Chepulskii R V, Taylor R H, Wang S, Xue J, Yang K, Levy O, Mehl M J, Stokes H T, Demchenko D O, Morgan D 2012 Com. Mat. Sci. 58 218

    [31]

    Saal J E, Kirklin S, Aykol M, Meredig B, Wolverton C 2013 JOM 65 1501

    [32]

    Jain A, Ong S P, Hautier G, Chen W, Richards W D, Dacek S, Cholia S, Gunter D, Skinner D, Ceder G, Persson K A 2013 APL Mater. 1 011002

    [33]

    Goldschmidt V M 1926 Naturwissenschaften 14 477

    [34]

    Sun Q, Yin W 2017 J. Am. Chem. Soc. 139 14905

    [35]

    Bartel C J, Sutton C, Goldsmith B R, Ouyang R, Musgrave C B, Ghiringhelli L M, Scheffler M 2019 Sci. Adv. 5 eaav0693

    [36]

    Weng B, Song Z, Zhu R, Yan Q, Sun Q, Grice C G, Yan Y, Yin W 2020 Nat. Commun. 11 3513

    [37]

    Filip Marina R, Giustino F 2018 Proc. Natl. Acad. Sci. U.S.A. 115 5397

    [38]

    Ye W, Chen C, Dwaraknath S, Jain A, Ong S P, Persson K A 2018 MRS Bull. 43 664

    [39]

    Zhao X-G, Yang J-H, Fu Y, Yang D, Xu Q, Yu L, Wei S-H, Zhang L 2017 J. Am. Chem. Soc. 139 2630

    [40]

    Lu S, Zhou Q, Ma L, Guo Y, Wang J 2019 Small Methods 3 1900360

    [41]

    Goodenough J B 2004 Rep. Prog. Phys. 67 1915

    [42]

    Okada S, Ohzeki M, Taguchi S 2019 Sci. Rep. 9 13036

    [43]

    Wahl R, Vogtenhuber D, Kresse G 2008 Phys. Rev. B 78 104116

    [44]

    Liu P, Nisar J, Pathak B, Ahuja R 2012 Int. J. Hydrogen Energy 37 11611

    [45]

    Chou H, Hwang B, Sun C (Suib S L ed) 2013 New and Future Developments in Catalysis (Amsterdam:Elsevier) pp217-270

    [46]

    Inoue Y 2009 Energy Environ. Sci. 2 364

    [47]

    Kudo A, Hijii S 1999 Chem. Lett. 28 1103

    [48]

    Kudo A, Miseki Y 2009 Chem. Soc. Rev. 38 253

    [49]

    Acar C, Dincer I, Naterer G F 2016 Int. J. Energy Res. 40 1449

    [50]

    Kaspar T C, Sushko P V, Spurgeon S R, Bowden M E, Keavney D J, Comes R B, Saremi S, Martin L, Chambers S A 2019 Adv. Mater. Interfaces 6 1801428

    [51]

    Greiner M T, Helander M G, Tang W, Wang Z-B, Qiu J, Lu Z 2012 Nat. Mater. 11 76

    [52]

    El-Sayed A, Borghetti P, Goiri E, Rogero C, Floreano L, Lovat G, Mowbray D J, Cabellos J L, Wakayama Y, Rubio A, Ortega J E, de Oteyza D G 2013 ACS Nano 7 6914

  • [1] 黎威, 龙连春, 刘静毅, 杨洋. 基于机器学习的无机磁性材料磁性基态分类与磁矩预测. 物理学报, doi: 10.7498/aps.71.20211625
    [2] 康俊锋, 冯松江, 邹倩, 李艳杰, 丁瑞强, 钟权加. 基于机器学习的非线性局部Lyapunov向量集合预报订正. 物理学报, doi: 10.7498/aps.71.20212260
    [3] 张嘉伟, 姚鸿博, 张远征, 蒋伟博, 吴永辉, 张亚菊, 敖天勇, 郑海务. 通过机器学习实现基于摩擦纳米发电机的自驱动智能传感及其应用. 物理学报, doi: 10.7498/aps.71.20211632
    [4] 张瑶, 张云波, 陈立. 基于深度学习的光学表面杂质检测. 物理学报, doi: 10.7498/aps.70.20210403
    [5] 王伟, 揭泉林. 基于机器学习J1-J2反铁磁海森伯自旋链相变点的识别方法. 物理学报, doi: 10.7498/aps.70.20210711
    [6] 刘武, 朱成皖, 李昊天, 赵谡玲, 乔泊, 徐征, 宋丹丹. 基于机器学习和器件模拟对Cu(In,Ga)Se2电池中Ga含量梯度的优化分析. 物理学报, doi: 10.7498/aps.70.20211234
    [7] 张利胜. 基于金纳米阵列表面等离子体驱动的光催化特性. 物理学报, doi: 10.7498/aps.70.20210424
    [8] 林键, 叶梦, 朱家纬, 李晓鹏. 机器学习辅助绝热量子算法设计. 物理学报, doi: 10.7498/aps.70.20210831
    [9] 陈江芷, 杨晨温, 任捷. 基于波动与扩散物理系统的机器学习. 物理学报, doi: 10.7498/aps.70.20210879
    [10] 崔宗杨, 谢忠帅, 汪尧进, 袁国亮, 刘俊明. 钙钛矿铁电半导体的光催化研究现状及其展望. 物理学报, doi: 10.7498/aps.69.20200287
    [11] 周利, 王取泉. 等离激元共振能量转移与增强光催化研究进展. 物理学报, doi: 10.7498/aps.68.20190276
    [12] 杨自欣, 高章然, 孙晓帆, 蔡宏灵, 张凤鸣, 吴小山. 铅基钙钛矿铁电晶体高临界转变温度的机器学习研究. 物理学报, doi: 10.7498/aps.68.20190942
    [13] 王逸飞, 李晓薇. 石墨烯/BiOI纳米复合物电子结构和光学性质的第一性原理模拟计算. 物理学报, doi: 10.7498/aps.67.20172220
    [14] 邵梓桥, 毕恒昌, 谢骁, 万能, 孙立涛. 三氧化钨/氧化银复合材料的水热法合成及其光催化降解性能研究. 物理学报, doi: 10.7498/aps.67.20180663
    [15] 吴化平, 令欢, 张征, 李研彪, 梁利华, 柴国钟. 铁电材料光催化活性的研究进展. 物理学报, doi: 10.7498/aps.66.167702
    [16] 李佩欣, 冯铭扬, 吴彩平, 李少波, 侯磊田, 马嘉赛, 殷春浩. 基于电子顺磁共振的锌卟啉敏化TiO2光催化性机理的研究. 物理学报, doi: 10.7498/aps.64.137601
    [17] 赵娟, 胡慧芳, 曾亚萍, 程彩萍. 花状硫化铜级次纳米结构的制备及可见光催化活性研究. 物理学报, doi: 10.7498/aps.62.158104
    [18] 梁培, 王乐, 熊斯雨, 董前民, 李晓艳. Mo-X(B, C, N, O, F)共掺杂TiO2体系的光催化协同效应研究. 物理学报, doi: 10.7498/aps.61.053101
    [19] 张爱平, 张进治. 水热法制备不同形貌和结构的BiVO4粉末. 物理学报, doi: 10.7498/aps.58.2336
    [20] 王锦辉, 朱浩, 韩红梅, 倪刚, 钟伟, 都有为. 双钙钛矿Sr2CrWO6的磁性与输运性质研究. 物理学报, doi: 10.7498/aps.50.540
计量
  • 文章访问数:  223
  • PDF下载量:  22
  • 被引次数: 0
出版历程

机器学习加速搜寻新型双钙钛矿氧化物光催化剂

  • 东南大学物理学院, 南京 211189

摘要: A2BB'O6型双钙钛矿氧化物材料,相比于ABO3型单钙钛矿氧化物材料,具有更好的稳定性和更宽泛的能带选择范围,在光催化全解水领域具有良好的应用前景。然而,由于晶体结构和组成元素的多样性,实验和理论上快速、准确搜寻高催化活性的A2BB'O6型双钙钛矿氧化物材料具有相当大的挑战性。本文由材料数据库的带隙值数据出发,采用机器学习与第一性原理相结合的方法,从5万多种A2BB'O6型双钙钛矿氧化物材料中筛选出近8千种可能适用于光催化全解水的材料。对筛选结果的统计分析表明,B/B'位均为d10金属离子的双钙钛矿氧化物更有可能成为全解水光催化剂。随后通过进一步的第一性原理计算挑选出Sr2GaSbO6, Sr2InSbO6 和K2NbTaO6这3种带边位置合适且不含铅、汞离子的A2BB'O6型双钙钛矿氧化物材料作为候选的全解水光催化剂。

English Abstract

目录

    /

    返回文章
    返回