In conventional chemisorption model, the d-band center theory plays a central role in predicting adsorption energies and catalytic activity as a function of d-band center of the solid surfaces, but it requires density functional calculations that can be quite costly for large scale screening purposes of materials. In this work, we propose to use the d-band width of the muffin-tin orbital theory plus electronegativity as a simple set of alternative descriptors for chemisorption, which do not demand the ab initio calculations. This pair of descriptors are then combined with machine learning methods, namely, artificial neural network (ANN) and kernel ridge regression (KRR), to allow large-scale materials screenings. We show, for a toy set of 263 alloy systems, that the CO adsorption energy can be predicted with a remarkably small mean absolute deviation error of 0.05 eV, a significantly improved result as compared to 0.13 eV obtained with descriptors including costly d-band center calculations in literature. We achieved this high accuracy by utilizing an active learning algorithm, without which the accuracy was 0.18 eV otherwise. As a practical application of this machine, we identified Cu3Y@Cu as a highly active and cost-effective electrochemical CO_2 reduction catalyst to produce CO with the overpotential 0.37 V lower than Au catalyst.
기존의 화학적 흡착 모델인 d-band center 이론은 흡착에너지와 촉매 활성도를 예측하는 중요 표현자로 사용되었지만, 큰 시스템에 대해 상당한 시간적 비용을 요구하는 제일원리 계산을 필요로 하는 단점이 존재한다. 본 학위논문에서는 제일원리 계산을 필요로 하지 않는 muffin-tin orbtial이론에 기반한 d-band width와 전기음성도를 d-band center를 대체하여 화학적 흡착 모델의 표현자로 제안하고자 한다. 더불어, 제안된 표현자들을 263개의 촉매 구조 데이터에 대해 적용하여 인공신경망 (ANN)과 kernel ridge regression (KRR)의 두 기계학습 알고리즘을 사용해 CO 흡착 에너지를 예측하는 모델을 구성하였다. 이때, 능동 학습 알고리즘의 적용을 통해 기존의 예측 오차인 0.13 eV보다 향상된 0.05 eV를 얻을 수 있었다. 마지막으로 실제 촉매 설계에 적용하여 기존의 Au 기반의 촉매보다 낮은 over-potential을 가지며 비용적으로도 효율적인 $Cu_3Y@Cu$ 구조의 촉매를 얻을 수 있었다.
