研究人员开发了一个新颖的框架，利用图神经网络（GNNs）显著加速了过渡金属在石墨烯量子点（GQDs）上的吸附探索。这个基于GNN的模型，名为GQD-AdsNet，在密度泛函理论（DFT）计算的数据上进行了训练，并取得了高精度（$R^2$为0.906，MAE为0.101 eV）。与传统的DFT方法相比，该框架将计算成本降低了约六个数量级，为筛选和设计基于碳纳米结构的新型催化剂提供了一个高效的工具。 AI
影响 将材料发现和催化剂设计速度提高了几个数量级，从而能够更快地开发新型催化材料。
排序理由 该集群包含一篇详细介绍材料科学研究新方法和模型的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- density functional theory
- GQD-AdsNet
- Graphene Quantum Dots
- graph neural networks
- transition metal
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
