Predictive model for the discovery of sinter-resistant supports for metallic nanoparticle catalysts by interpretable machine learning
未评分
来源：
Nature
关键字：
Graph neural network in molecule design
发布时间：
2025-09-30 03:56
摘要：
该研究结合了第一性原理神经网络分子动力学模拟与可解释机器学习，揭示了金属-载体相互作用的关键特征，并筛选出耐烧结的金属纳米粒子支持材料，具有重要的催化应用潜力。
原文：
查看原文
价值分投票
评分标准
新闻价值分采用0-10分制，综合考虑新闻的真实性、重要性、时效性、影响力等多个维度。
评分越高，表示该新闻的价值越大，越值得关注。
价值维度分析
domain_focus
0.0分
business_impact
0.0分
scientific_rigor
0.0分
timeliness_innovation
0.0分
investment_perspective
0.0分
market_value_relevance
0.0分
team_institution_background
0.0分
technical_barrier_competition
0.0分
拒绝原因
标题包含直播/预告/通知等关键词，属于非商业情报，不符合商业情报要求
真实性检查
否
AI评分总结
该研究结合了第一性原理神经网络分子动力学模拟与可解释机器学习，揭示了金属-载体相互作用的关键特征，并筛选出耐烧结的金属纳米粒子支持材料，具有重要的催化应用潜力。