A Computational Study on the Catalytic Adsorption of Gaseous Probes on Titanium Dioxide Nanoclusters

Sammanfattning

Atomistiska simuleringar är avgörande för att avkoda kemiska fenomen i gränsskikt, men traditionell modellering innebär en viktig avvägning mellan den höga kvantmekaniska noggrannheten hos densitetsfunktionalteori (DFT) och beräkningseffektiviteten hos empiriska kraftfält. För att överbrygga detta gap implementerar denna avhandling ett systematiskt ramverk för benchmarking och verifiering som använder universella maskininlärda interatomiska potentialer (MLIP), SevenNet-Omni, tillsammans med lokala DFT-beräkningsspår. Med fokus på titandioxid TiO2 nanokluster identifieras lokaliserade ytaktiva platser via den maximala elektrostatiska potentialen VS,max med hjälp av Molecular Surface Properties Approach (MSPA) på PBE0/def2-TZVP-nivån. Fyra representativa Lewis-bas-probmolekyler – vatten (H2O), vätesulfid (H2S), ammoniak (NH3) och kolmonoxid (CO) – utsätts därefter för systematisk analys med hjälp av snabba MLIP-kalkylatorer för att screena för termodynamiska minimum-konfigurationer. De strukturella och energetiska resultaten avslöjar MLIPs svagheter och styrkor. Linjära regressionsutvärderingar mot referenshybrid-DFT-funktionaler visar hög korrelation (R2 > 0.95), där den hybridtränade omol25_low-potentialen ger överlägsen strukturell relaxationsfidelitet, framgångsrikt fångar snäva, kontraherade klusterramverk och reproducerar relativa energier med trippel-zeta-nivåprecision. Den semilokala matpes_r2scan-potentialen underpresterar geometriskt men uppvisar utmärkt noggrannhet i att förutsäga nativa termodynamiska adsorptionsenergi-variationer. För att utnyttja dessa komplementära egenskaper föreslås en MLIPopt + DFT_sp hybridpipeline, där strukturer som är föroptimerade via SevenNet-Omni skickas direkt till högnivå-energiberäkningar (triple-zeta). Detta hybridarbetsflöde ger adsorptionsenergier som korrelerar utmärkt med standard DFT-beräkningar samtidigt som förkortar beräkningstiden med flera storleksordningar (från nästan åtta timmar ner till ungefär en minut). I slutändan bekräftar detta arbete att universella maskininlärningspotentialer kan fungera som exakta strukturella deskriptorer för metalloxidgränssnitt, och erbjuder ett mycket skalbart och universellt alternativ för att accelerera framtida högkapacitetsscreening inom heterogen katalys.