A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessä
Graphs and Kernelized Learning Applied to Interactions of Hydrogen with Doped Gold Nanoparticle Electrocatalysts (2023)

Pihlajamäki, A., Malola, S., Kärkkäinen, T., & Häkkinen, H. (2023). Graphs and Kernelized Learning Applied to Interactions of Hydrogen with Doped Gold Nanoparticle Electrocatalysts. Journal of Physical Chemistry C, 127(29), 14211-14221. https://doi.org/10.1021/acs.jpcc.3c02539

JYU-tekijät tai -toimittajat

Pihlajamäki, Antti
Malola, Sami
Kärkkäinen, Tommi
Häkkinen, Hannu

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Pihlajamäki, Antti; Malola, Sami; Kärkkäinen, Tommi; Häkkinen, Hannu

Lehti tai sarja: Journal of Physical Chemistry C

ISSN: 1932-7447

eISSN: 1932-7455

Julkaisuvuosi: 2023

Ilmestymispäivä: 18.07.2023

Volyymi: 127

Lehden numero: 29

Artikkelin sivunumerot: 14211-14221

Kustantaja: American Chemical Society

Julkaisumaa: Yhdysvallat (USA)

Julkaisun kieli: englanti

DOI: https://doi.org/10.1021/acs.jpcc.3c02539

Linkki tutkimusaineistoon: https://doi.org/10.17011/jyx/dataset/87521

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Osittain avoin julkaisukanava

Julkaisu on rinnakkaistallennettu (JYX): https://jyx.jyu.fi/handle/123456789/88949

Lisätietoja: Published as part of The Journal of Physical Chemistry C virtual special issue “Machine Learning in Physical Chemistry, Volume 2".

Tiivistelmä

Understanding hydrogen adsorption on metal nanoparticles is a key prerequisite for designing efficient electrocatalysts for water splitting and the hydrogen evolution reaction. However, this seemingly simple elementary reaction step is affected by several factors arising from the chemical environment at the catalyst, and deciphering the most important contributions to optimal interactions requires numerically heavy electronic structure calculations. Here, we combine graph-based representations of the local atomic environment of hydrogen in copper- and palladium-doped 25-atom gold nanoparticles with several kernel-based machine learning (ML) methods to predict the interaction energy between hydrogen and the nanoparticle catalyst. We demonstrate that simple distance-based kernel models are able to predict the interaction energy within 0.1 eV when trained by reference data from state-of-the-art density functional theory calculations. Analyzing the model performance with respect to attributes of the hydrogen node highlights the locality of hydrogen adsorption. This implies the viability of combining graphs with kernel-based ML models for studying hydrogen chemisorption in complex environment data efficiently.

YSO-asiasanat: koneoppiminen; adsorptio; kulta; vety; vesi; nanohiukkaset

Vapaat asiasanat: interaction energies

Liittyvät organisaatiot

Hankkeet, joissa julkaisu on tehty

OKM-raportointi: Kyllä

Raportointivuosi: 2023

JUFO-taso: 2