GQD-AdsNet

图神经网络加速石墨烯量子点催化剂设计

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。