Abstrak
Titanium dioksida (TiO2) digunakan secara luas sebagai pendukung katalis karena stabilitasnya, sifat elektronik yang dapat disetel, dan kekosongan oksigen permukaan, yang sangat penting untuk proses katalitik seperti reaksi pergeseran gas air terbalik (RWGS). Permukaan TiO2 yang direduksi mengalami rekonstruksi permukaan kompleks yang memberikan sifat unik tetapi secara komputasi menantang untuk dijelaskan. Dalam studi ini, kami menggunakan potensi interatomik pembelajaran mesin (MLIP) yang terintegrasi dengan alur kerja pembelajaran aktif untuk mengeksplorasi permukaan TiO2 rutil tereduksi secara efisien. Pendekatan ini memungkinkan prediksi diagram fase sebagai fungsi potensial kimia oksigen, yang mengungkapkan berbagai fase yang direkonstruksi, termasuk struktur bidang geser bawah permukaan yang sebelumnya tidak dilaporkan. Kami selanjutnya menyelidiki sifat elektronik permukaan ini dan memvalidasi hasil kami dengan membandingkan mikroskopi elektron transmisi resolusi tinggi (HRTEM) eksperimental dan teoritis. Temuan kami memberikan wawasan baru tentang bagaimana reduksi permukaan yang ekstrem memengaruhi sifat struktural dan elektronik TiO2, dengan implikasi potensial untuk desain katalis
Eksplorasi Berbasis Pembelajaran Mesin terhadap Rekonstruksi Permukaan TiO2 Rutil Tereduksi
