Modelling of photocatalytic Cu2O surfaces with machine learning

Abstract

Title: Modelling of photocatalytic Cu2O surfaces with machine learning Abstract: Cuprous oxide (Cu2O) absorbs light in a significant portion of the solar spectrum and prevents fouling organisms from growing. Moreover, this anti-fouling agent stands out for its promising applications in photo(electro)catalysis, green fuels, and solar energy production. The catalytic performance of Cu2O de- pends on its surface structure, which can vary with conditions such as temperature and pressure and with the concentration of naturally occurring adsorbate molecules. However, we may unveil the reactive prop- erties of this material by resolving its surface morphology at an atomic level through fast and accurate modeling of its structure and dynamics. For this purpose, we have applied advanced simulation techniques, including machine learning potentials (MLPs). These MLPs were trained via quantum chemical calculations and validated against high-level calculations. By leveraging the computational power of supercomputers, we generated a large and reliable dataset of surface structures and temperature-dependent surface dynamics. These findings help us to tap the full potential of Cu2O in catalysis and energy production. Keywords: Cuprous oxide, Machine Learning, Neural Network Potential, Density Functional Theory, Molecular...

Titul: Modelování fotokatalytických povrchů Cu2O pomocí metod strojového učení Abstrakt: Oxid měďný absorbuje velkou dávku světelného spektra a zabraňuje růstu škodlivých organismů. Tyto protihnilobné účinky jsou slibnou aplikací ve foto(elektro)katalýze, ekologických palivech a produkci solární energie. Katalytická účinnost Cu2O se odvíjí od struktury jeho povrchu, která se může měnit s teplotou, tlakem a s koncentrací přirozeně se vyskytujících adsorbujících molekul. Nicméně, reaktivitu tohoto mater- iálu je možné odhalit rozluštěním morfologie jeho povrchu na atomární úrovni a to díky rychlému a přesnému modelování struktury a dynamiky tohoto povrchu. Pro tyto účely byly použity pokročilé simulační tech- niky včetně potenciálů strojového učení (MLPs). Tyto potenciály byly vytrénovány kvantově-chemickými výpočty a byla ověřena jejich přesnost oproti vysoce přesným kvantově chemickým výpočtům. S využitím výpočetního výkonu superpočítačů byla vygenerována velká a spolehlivá databáze struktur povrchu Cu2O a teplotně závislých dynamik tohoto povrchu. Tato zjištění nám pomáhají získat plný potenciál Cu2O v katalýze a produkci energie. Klíčová slova: Oxid měďný, potenciály strojového učení, sítě neuronových potenciálů, teorie funkcionálu hustoty, molekulová dynamika, adsorpce, hydroxylace 1