CeO2是一種重要觸媒，廣泛用於氧化還原反應中，例如水煤氣轉化、CO2還原和CO氧化等反應。此外，CeO2奈米顆粒在環境感應和修復方面亦展示出重要潛力。因此，了解CeO2表面的特性，以及氣體分子如何與CeO2的氧化和還原表面相互作用，是至關重要的。在本項研究中，我們利用深度學習技術，以CO作為探針分子，使用紅外光譜來探索CeO2的表面性質。如圖一所示，通過密度泛函理論(density functional theory, DFT)計算CO在不同CeO2晶面上的吸附衍生物，我們獲得了一個包含CO在CeO2上的振動頻率、強度和吸附能的數據集。這個數據集用於合成大量複雜的IR光譜，以訓練深度學習模型，用於預測表面結構，包括CeO2晶面的分佈、CO吸附物和其吸附能。此模型可成功分析CO吸附在不同類型CeO2上的實驗IR光譜，並且其表面結構預測和實驗驗證結果有良好的一致性。這項研究提供了一種機器學習方法，用於理解多種CeO2材料表面的形態、局部環境排列、探針分子的相互作用行為以及催化特性。（化工系李奕霈教授提供） 圖一、光譜數據生成和深度學習模型訓練流程。本研究使用DFT計算創建了一個涵蓋CeO2上各種CO吸附物種的數據集，包括不同的活性位點和CO吸附構形。並使用DFT計算和實驗數據合成複雜的IR光譜，用於構建深度學習模型，預測CeO2晶面的分佈、CO吸附衍生物種和吸附能。
CeO2是一種重要觸媒，廣泛用於氧化還原反應中，例如水煤氣轉化、CO2還原和CO氧化等反應。此外，CeO2奈米顆粒在環境感應和修復方面亦展示出重要潛力。因此，了解CeO2表面的特性，以及氣體分子如何與CeO2的氧化和還原表面相互作用，是至關重要的。在本項研究中，我們利用深度學習技術，以CO作為探針分子，使用紅外光譜來探索CeO2的表面性質。如圖一所示，通過密度泛函理論(density functional theory, DFT)計算CO在不同CeO2晶面上的吸附衍生物，我們獲得了一個包含CO在CeO2上的振動頻率、強度和吸附能的數據集。這個數據集用於合成大量複雜的IR光譜，以訓練深度學習模型，用於預測表面結構，包括CeO2晶面的分佈、CO吸附物和其吸附能。此模型可成功分析CO吸附在不同類型CeO2上的實驗IR光譜，並且其表面結構預測和實驗驗證結果有良好的一致性。這項研究提供了一種機器學習方法，用於理解多種CeO2材料表面的形態、局部環境排列、探針分子的相互作用行為以及催化特性。（化工系李奕霈教授提供）
圖一、光譜數據生成和深度學習模型訓練流程。本研究使用DFT計算創建了一個涵蓋CeO2上各種CO吸附物種的數據集，包括不同的活性位點和CO吸附構形。並使用DFT計算和實驗數據合成複雜的IR光譜，用於構建深度學習模型，預測CeO2晶面的分佈、CO吸附衍生物種和吸附能。