Иерархическое глубокое исследование с локальным–веб RAG: к автоматизированному системному поиску материалов

Руй Дин^{1,2,¹¹1Эти авторы внесли равный вклад в данную работу.} Rodrigo Pires Ferreira^{1,2,¹¹footnotemark: 1} Yuxin Chen^{3,²²2Соответствующие авторы: chenyuxin@uchicago.edu, junhongchen@uchicago.edu} Junhong Chen^{1,2,²²footnotemark: 2}
¹Школа молекулярной инженерии Прицкера, Чикагский университет
²Отдел химических наук и инженерии, Аргоннская национальная лаборатория
³Факультет информатики, Чикагский университет

Аннотация

Мы представляем долгосрочный, иерархический агент глубокого исследования (DR), предназначенный для задач поиска сложных материалов и устройств, которые выходят за рамки существующих суррогатов Машинного обучения (ML) и закрытых коммерческих агентов. Наша система разворачивает локально размещаемый экземпляр DR, который объединяет локально выполняемую генерацию с извлечением из данных (retrieval-augmented generation) с рассуждающими модулями на основе больших языковых моделей, усиленными механизмом «Дерево глубоких исследований» (Deep Tree of Research, DToR), который адаптивно расширяет и обрезает ветви исследования для максимизации покрытия, глубины и связности. Мы систематически оцениваем по 27 темам наноматериалов/устройств, используя рубрику «LLM-as-judge» с большой языковой моделью в роли судьи и пять веб-ориентированных моделей современного уровня в роли присяжных. Кроме того, мы проводим валидацию на «сухой лаборатории» для пяти репрезентативных задач, где эксперты-люди используют моделирование предметной области (например, теория функционала плотности, DFT) для проверки того, являются ли предложения агента DR осуществимыми. Результаты показывают, что наш агент DR создает отчеты по качеству, сопоставимому с — и часто превосходящему — отчеты коммерческих систем (ChatGPT-5-thinking/o3/o4-mini-high Deep Research), при существенно более низкой стоимости, обеспечивая при этом интеграцию on-prem с локальными данными и инструментами.

Ключевые слова: deep research, hierarchical reasoning, materials discovery, retrieval-augmented generation, large language models, computational materials science, autonomous agents

1 Введение

Машинное обучение (ML) для поиска наноматериалов и устройств продвинулось от разрешимых предсказаний для отдельных объектов к все более сложным задачам уровня системы. На молекулярном или кристаллическом уровне (S1) современные суррогатные модели рутинно предсказывают собственные свойства [xie2018cgcnn]. Небольшие сборки (S2) — интерфейсы, гетероструктуры или простые устройства из 2–3 компонентов — вводят эффекты связи, но при этом остаются управляемыми. Однако реальные нано-устройства работают в масштабе системы (S3): многослойные перевскитные стеки с взаимозависимыми слоями, катализаторы «ядро–оболочка» с легированием и спроектированными интерфейсами, или нано-архитектурированные электроды батарей, где перенос в масштабе длин определяет характеристики [severson2019cyclelife]. Предельная задача заключается во взаимной интеграции между областями (S4): платформы, которые охватывают семейства материалов, различные химические системы распознавания и модальности преобразования — например, проектирование сенсоров на основе полевого транзистора (FET) на 2D-материалах с функционализацией через аптамеры для обнаружения в окружающей среде [szymanski2023alab, wang2022aptamer_gfet].

Выполнение этого расширения в рамках области требует соответствующего расширения в глубину. Мы определяем глубину от одноходового прогнозирования/предварительного отбора (D1) до многостадийных конвейеров со структурированными выходами (D2), затем до синтеза с дальним горизонтом и итеративным планированием (D3), и, наконец, до иерархического исследования с балансом широты–глубины (D4). Хотя недавние агентные фреймворки успешно продемонстрировали иерархическую оркестрацию для сложных научных рабочих процессов [gottweis2025towards, ghafarollahi2025sciagents, zou2025elagente], обеспечение надежного выполнения и управления моделированием, оптимизацией и проектированием на уровне устройств/системы (S3–S4) представляет собой отдельную задачу. У регулирующих законов для интеграции устройств нет полного кодирования в стандартных пакетах моделирования, что требует дальнегоризонтного иерархического автономного обнаружения (D3–D4) с возможностью обхода комбинаторного взрыва параметров обработки, которые разреженно распределены по неоднородным источникам знаний. Существующие подходы обычно сталкиваются с ограничениями в этом режиме неструктурированных знаний [montoya2020camd, merchant2023gnome, chanussot2021oc20, levine2025omol25] (Подробно в Приложении A).

Для устранения этого пробела мы представляем иерархического агента deep-research (DR)111Мы используем Deep Research (DR) для обозначения однопоточного итеративного цикла извлечение–рассуждение–написание, выполняемого одним агентом. Deep Tree of Research (DToR) обозначает древовидную оркестрацию, которая порождает и выбирает среди нескольких ветвей DR с иерархическим планированием и слиянием. На протяжении всего текста «иерархическое deep research» является синонимом DToR; далее ради ясности мы будем использовать только DR и DToR. предназначенного для научных исследований на больших горизонтах. Получив запрос на естественном языке, система создает локально разворачиваемый экземпляр DR, который итеративно чередует локальное и веб-извлечение с дополненной генерацией (RAG) и рассуждениями с помощью large language model (LLM) (суммаризаторы, рефлекторы). Далее мы расширяем экземпляр DR в Deep Tree of Research (DToR), где каждый экземпляр рассматривается как узел в древовидном рабочем процессе. DToR адаптивно расширяет/сокращает ветви, чтобы улучшить охват, глубину и согласованность. Агент самонаправляемый/навигационный (планирует собственный путь исследования), работает локально для управляемости и конфиденциальности и ориентируется на гипотезы S3–S4. Если кратко, наша цель — измерять качество синтеза с помощью программного оценочного стенда (привязанная рубрика, предпочтения A/B) плюс проверки в режиме «сухой лаборатории». Затем мы показываем, что оркестрация посредством DToR последовательно улучшает качество синтеза по сравнению с одиночным экземпляром DR на различных архитектурах модели и бюджетах локальных корпусов при сопоставимых вычислениях.

Вклад. (1) Демократизированная, допускающая локальное развертывание платформа для научных глубоких исследований, позволяющая исследователям материалов осуществлять детальный контроль над стоимостью и предпочтениями с использованием открытых LLM при достижении производительности, превосходящей коммерческие решения современного уровня в большинстве случаев (§3). (2) Иерархическая оркестрация (DToR), обеспечивающая устойчивые выигрыши по сравнению с одиночной DR для различных LLM-«костяков» и локальных бюджетов данных, поддерживаемая исчерпывающими факторными и целевыми абляциями компонентов. (3) Программа оценки, объединяющая привязанные к шкале баллы, повторяющиеся очные A/B-состязания и валидацию в «сухой лаборатории», чтобы оценивать качество синтеза.

1.1 Сопутствующие работы

Недавние работы по структурированному рассуждению для LLM перешли от линейного подсказочного подхода к явным структурам поиска. Tree-of-Thoughts (ToT) рассматривает вывод как ветвящийся поиск по промежуточным «thoughts», а Graph-of-Thoughts (GoT) обобщает это на произвольные графы, чтобы моделировать нелинейные зависимости и координацию подзадач [yao2023tree, besta2024graph, yao2024effectivegot]. Параллельно парадигмы «рассуждай–действуй» и самоулучшения — ReAct, Reflexion и Self-Refine — дают сильные базовые решения для многошагового принятия решений и доработки ([yao2022react, shinn2023reflexion, madaan2023selfrefine]). Базовые среды/наборы для веб-агентов — BrowseComp, WebLINX, WebArena и BrowserGym — формализуют компетенции просмотра/навигации и поддерживают воспроизводимую оценку [wei2025browsecomp, pan2024weblinx, zhou2023webarena, lesellier2024browsergym]. Работа над извлечением также движется к более адаптивным стратегиям: Self-RAG [asai2024selfrag] учит, когда выполнять извлечение и критиковать выходные данные, CRAG [yan2024crag] оценивает качество извлечения и переключается на web search, когда доказательств недостаточно, а GraphRAG [peng2024graphragsurvey] использует графовую структуру знаний для нефлаткого извлечения. Несмотря на этот прогресс, не существует фреймворка, который объединял бы структурное ветвление и адаптивное извлечение таким образом, чтобы это масштабировалось в рамках практических ограничений вычислений и данных для предметно-ориентированных исследовательских сценариев.

2 Метод

D4 требует структурированного планирования с учетом бюджета сверх краткосрочных запросов. Мы представляем DToR — контроллер «шире затем глубже» для DR, который начинается с нескольких параллельных перспектив, избирательно расширяет или сокращает их на основе явных проверок пробелов, выполняет шаги исследования, ориентированные на доказательства (локальный RAG с адаптированным веб-поиском), и формирует отчеты, опирающиеся на источники.

Refer to caption — ⟦Figure 1: Рабочий процесс DToR по глубине и ширине

2.1 Одиночный экземпляр DR

Как показано на рис. S1222, дополнительные иллюстрации (S1–S13), на которых представлены подробные экспериментальные результаты и дополнительные анализы, приведены в приложении B. (с сопоставлением с обычным стандартным DR-агентом [langchain2025localdeepresearcher]) каждый экземпляр DR представляет собой петлю, ориентированную на доказательства, которая (1) генерирует поисковый запрос; (2) выполняет локальный RAG; (3) обобщает локальные доказательства; (4) генерирует дополнительный запрос для обеспечения тематического разнообразия; (5) проводит веб-исследование для обоих запросов; (6) интегрирует/обновляет ранее извлечённые сегменты в текущем резюме; (7) рефлексирует, чтобы предложить последующий запрос. Процесс будет повторяться до достижения заданного максимального числа раундов перед (8) окончательным завершением. Три проектных решения отличают этот экземпляр от обычных локальных DR-агентов[langchain2025localdeepresearcher], которые выполняют только (1)-(5)-(6)-(7): локально-ориентированное извлечение (до веба) для уменьшения дрейфа, галлюцинаций и поверхностных доменных априорных представлений; генерацию запросов с учётом разнообразия (локальное резюме, полученное для дополнительного запроса) для гарантии полноты; и надёжную дисциплину I/O, чтобы предотвратить зависания контроллера на локально размещённых LLM. По сравнению с классическими линейными циклами в стиле ReAct/Reflexion, этот экземпляр добавляет явный механизм широты и политику эскалации, подобную adaptive/corrective-RAG, оставаясь при этом совместимым с модульной альтернативой RAG-методам.

2.2 DToR: от перспектив к расширению, движимому выявлением пробелов

На основе одного экземпляра DR мы рассматриваем каждый экземпляр DR как узел исследования (RN) внутри контроллера branch-and-bound (рис. 1). Начиная с пользовательского запроса, диверсификатор предлагает несколько ортогональных перспектив (P1, P2…), — каждая из которых закладывает одну ветвь с заданным бюджетом: максимальная глубина, узлы на ветвь и общее число ветвей. Для активной ветви маршрутизатор (i) запускает следующий ожидающий RN (единственный экземпляр DR), формируя сводку RN; (ii) вызывает аналитика на основе оставшихся глубины/бюджета/текущего качества отчёта RN, чтобы принять решение EXPAND, PRUNE; и, если EXPAND при наличии остатка бюджета, (iii) вызывает explorer разрыков знаний, чтобы материализовать новые RNs из этого RN, ориентированные на эти разрывы (depth+1), и обновляет оставшийся бюджет. Ветви, которые застаиваются, отсекаются; (iv) ветви, достигшие глубины или сходящиеся, синтезируются в отчёт о перспективе. Когда все ветви достигают синтеза, итоговый синтезатор согласует доказательства между ветвями, разрешает конфликты и выводит сводный отчёт с богатой провенанс-информацией. Концептуально это дерево поиска по состояниям (query, evidence, summary), а не по чисто символическим «мыслям», наследующее преимущества структурированного исследования с возвратом из рассуждений на основе деревьев/графов, при этом оставаясь адаптированным к поиску информации и точности ссылок при явно заданных бюджетах ресурсов.

3 Эксперименты

3.1 Экспериментальная установка

Мы оцениваем по 27 темам, созданным экспертами, охватывающим материалы и устройства (например, зонды с полии- и перфторалкильными веществами (PFAS) FET, обнаружение CO2 в 2D-материалах, мембраны, селективные к Li/Na, катализаторы восстановления CO2); полные текстовые запросы по темам приведены в Приложении C. Для каждой темы мы рассматриваем 41 агента — 11 коммерческих и 30 локальных (разделены поровну между single DR-instance и DToR-mode) — на потребительском уровне аппаратного обеспечения. Мы оцениваем локальных агентов на разных базовых LLM (gpt-oss120B, gpt-oss20B, QwQ32B) и при разных локальных бюджетах RAG (local0/local100/local500), сохраняя неизменной оркестрацию и варьируя только базовую модель и размер корпуса; полные конфигурации агентов приведены в Приложении D. Используя протокол LLM-as-judge (Приложение E), мы генерируем 41 различный вариант отчёта для каждой темы и используем пять судей SOTA с доступом к веб-данным — Claude 4 Opus (thinking), Gemini 2.5 Pro, Grok-3 (thinking), ChatGPT-o3 и ChatGPT-o4-mini-high — которые оценивают каждый отчёт по фиксированной, двойной слепой рубрике (судьи не знают идентичности агентов) по пяти измерениям с равным весом — (1) релевантность, (2) глубина, (3) ясность, (4) применимость и (5) новизна, — краткие определения которых приведены в Приложении E.

Представление судьи и анонимизация: судьи на базе LLM видят только итоговый текст отчета — без идентификаторов агента/модели, журналов инструментов или метаданных по токенам/количествам — и присваивают числовые оценки по пяти закрепленным измерениям (релевантность, глубина/строгость, ясность/воспроизводимость, применимость, новизна) в рамках фиксированной инструкции «действовать как опытный материаловед» (Приложение E). Рубрика включает положительные/отрицательные примеры по каждому измерению; нерешенные противоречия или неспособность примирить конфликты между локальными и веб-данными наказываются по Глубине/Строгости и Ясности/Воспроизводимости, тогда как отчеты, которые явно сравнивают источники и обосновывают разрешение, поощряются. Доступ к локальному и веб-контекстам контролируется во время генерации (агенты работают в режиме только локально или с включенным веб-доступом), тогда как судьи никогда не видят эти контексты — только синтезированный отчет, — поэтому оценивание нацелено на качество синтеза/рассуждений, а не на доступ к извлечению. Судьи выставляют значения 0–10 по каждому измерению с односентенциальными обоснованиями; числовые рейтинги извлекаются детерминированным парсером. Мы повторяем оценивание три раза для каждой комбинации тема–отчет–судья, получая $27\times 41\times 5\times 3=16,605$ оценок согласно рубрике. Согласованность между судьями (корреляция Пирсона по оценкам и ранговая корреляция Спирмена) остается высокой по всем измерениям.

Затем мы запускаем A/В дуэльные предпочтения, используя ту же настройку. Для каждой темы мы формируем три пула: commercial, local gpt-oss и local non-gpt-oss. В каждом пуле мы ранжируем отчеты по среднему значению по рубрике и выбираем верхние 3; получившиеся 9 отчетов затем участвуют во всех попарных дуэлях ( $\binom{9}{2}=36$ пар на тему). Дуэли являются двойным слепым экспериментом и с рандомизированным порядком, с опорой на краткий промпт «опытный материаловед», подчеркивающий ясность, приоритизацию пробелов и выполнимые следующие шаги. Каждая дуэль повторяется три раза, в результате чего получается $27\times 36\times 3=2916A/B$ испытаний и $14,580$ индивидуальных решений судей.

Наконец, мы проводим валидацию в «сухой лаборатории» на пяти репрезентативных задачах — зонд для сенсора PFAS, катализаторы деградации PFAS, выбор связующего для батареи, стабильность катализатора реакции выделения кислорода (OER) и зонд сенсора CO2 — отправляя обезличенные отчёты best-local и best-commercial экспертам в предметной области, которые извлекают кандидатов и создают среды для моделирования (Приложение LABEL:app:dry_lab_details). Мы оцениваем по десять метрик моделирования для каждой задачи по протоколам, принятым в предметной области (например, явнополяризационное ab initio молекулярноe моделирование динамики в растворителе, AIMD, когда это необходимо), и агрегируем показатели по каждой задаче и в целом; полные настройки моделирования и определения метрик приведены в Приложение LABEL:app:dry_lab_details. Мы также выполняем полнофакторное аблирование по Метод $\times$ , LLM backbone $\times$ , локальному бюджету на корпус (27 тем, 41 агент), чтобы выделить основные эффекты и взаимодействия (Рис. 2b), и проводим целевые компонентные аблирования для лучшей по эффективности конфигурации по трём репрезентативным темам, чтобы дополнительно разложить вклад оркестрации (Приложение LABEL:app:additional_ablation). Чтобы охарактеризовать сам бенчмарк, мы вычисляем сложность по каждой теме (средняя производительность по агентам) и различительную способность (стандартное отклонение оценок агентов), выявляя, какие темы лучше всего разделяют сильные и слабые системы; полный анализ на уровне тем приведён в Приложение LABEL:app:topic_analysis. Все запуски выполнялись на рабочей станции с 4 $\times$ NVIDIA RTX A5500 (Ubuntu); статистика времени завершения и оценки энергопотребления указаны в Приложение LABEL:app:power_estimation. Исходный код фреймворка DToR публично доступен по адресу https://github.com/ruiding-uchicago/DToR_deep_research.

3.2 Экспериментальные результаты

По всем пяти измерениям LLM-as-judge по 27 темам $\times$ 41 агент (Рис. 2a), DToR_gpt-oss120B_local500 (при запуске DToR с gpt-oss120B и всеми 500 томами локального корпуса для RAG; подробности см. в Приложении D) достигает среднего балла 8.57/10, занимая 1-е место в целом. Когда бюджет локального RAG уменьшается до local100 и local0, оценки остаются 8.53/10 и 8.37/10, при этом оба результата по-прежнему входят в топ-3. Даже без контроллера DToR (то есть при использовании одной DR-инстанции) gpt-oss120B достигает 8.33/10 (local100) и 8.32/10 (local500), занимая 4-е и 5-е места. В тех же условиях с gpt-oss20B DToR обеспечивает 8.15/10, 8.12/10 и 8.08/10 для local500/local100/local0 соответственно. Все перечисленные выше варианты превосходят коммерческие базовые уровни, включая ChatGPT-o4-mini-high (7.96/10), ChatGPT-o3 (7.95/10) и ChatGPT-5-thinking (7.85/10), а также другие широко используемые системы, такие как Gemini 2.5 Pro (7.81/10), Claude Opus 4 (7.78/10), Grok 3 (7.51/10) и Perplexity (7.51/10). Примечательно, что DToR_QwQ32B_local500, использующий совместимый с ноутбуком легковесный LLM, также достигает 7.80/10, опережая примерно половину коммерческих систем.

Более пристальный взгляд на пять измерений (рис. S2) показывает, что наиболее сложными являются ясность и глубина: у них самые низкие средние значения и наибольшая дисперсия. Тем не менее DToR обеспечивает наибольшие приросты по сравнению с одной-DR-экземплярной установкой именно по этим двум измерениям, со средними улучшениями +0.69 и +0.72 соответственно. Исключая релевантность, которая демонстрирует эффект насыщения и, таким образом, ограниченную разделимость, DToR дает четкие улучшения по оставшимся четырем измерениям. Например, по новизне и применимости DToR улучшает Single_gpt-oss120B_local500 в среднем на +0.43 и +0.42 балла, выводя его выше ведущего коммерческого базового уровня. Согласованность между оценщиками среди пяти LLM-критиков была высокой: средняя корреляция Pearson $\mathrm{p}=0.97$ по исходным оценкам и Spearman $\rho=0.97$ по порядковым рангам (рис. S3).

Надежность дополнительно поддерживается согласованностью, специфичной для агентов, а также согласованностью между испытаниями (Рисунок S4, Рисунок S5). С точки зрения исследования методом исключения (Рисунок 2b) включение локального RAG (7.21/10) и особенно режима DToR (7.32/10) повышает средний балл. Для всех 27 тем и 41 агента анализ по факторному плану локального бюджета корпуса Метод $\times$ Основа $\times$ показывает, что доминирующий эффект — оркестрация: DToR стабильно превосходит одиночный вариант DR после появления заметного локального корпуса (local100/local500), тогда как при local0 разрыв сокращается, и сильная основа (gpt-oss120B) может его компенсировать. Чтобы дальше изолировать компоненты оркестрации, мы выполнили целевые абляции компонентов для наилучшей конфигурации (DToR_gpt-oss120B_local500) на трех репрезентативных темах: систематическое ухудшение глубины дерева (3 $\rightarrow$ 2 перспективы), циклы отражения (3 $\rightarrow$ 0 итераций) и количество извлечений (5 $\rightarrow$ 1 статья на запрос) все снижают качество; при этом отражение оказывается наиболее критичным; удаление веб-поиска (только локальные или только LLM режимы) также ухудшает качество, подтверждая, что дополнение из-за разрыва, инициируемого наличием запроса, с веб-ресурсами добавляет ценность; воспроизведение той же оркестрации с API-моделями (gpt-5-mini/nano) сохраняет относительные соотношения, но при существенно более высокой стоимости (Рисунок S6, Рисунок S7, Рисунок S8; полные детали в Приложении LABEL:app:additional_ablation). Анализ по темам выявляет четкий спектр сложности: задачи обнаружения/характеризации (in-situ TEM, напечатанные массивы FET) являются самыми простыми, тогда как темы электрохимии батарей (ионы лития: LIB связующие, фторэфирные анионные рецепторы) — самыми сложными; дискриминационная способность показывает, что темы экологического зондирования (обнаружение микропластиков, антибиотиков) слабо разделяют агентов ( $\sigma\approx 0.7$ ), тогда как задачи синтеза батарей/материалов (LIB фторэфирный рецептор, рост алмаза при атмосферном давлении) резко различают сильные и слабые системы ( $\sigma>1.1$ ). Примечательно, что сложность темы и дискриминация развязаны: LIB_Fluoroether_Anion_Receptor демонстрирует и наивысшую сложность ( $\mu=6.93$ ), и наибольшую дискриминацию ( $\sigma=1.24$ ), резко разделяя сильных и слабых агентов; напротив, Microplastics_Sensing_2D показывает наименьшую дискриминацию ( $\sigma=0.69$ ) при средней сложности ( $\mu=7.19$ ); Catalytic_Mineralization_of_Microplastics сравнительно легко ( $\mu=7.49$ ), но все же хорошо дискриминирует ( $\sigma=1.03$ ), тогда как Wastewater_Resource_Recovery_Cats трудна ( $\mu=7.04$ ), но обеспечивает слабое разделение ( $\sigma=0.93$ ). Критически важно, что агенты DToR сохраняют устойчивые преимущества по производительности и на темах с высокой- $\sigma$ , и на темах с низкой- $\sigma$ сложностью, подтверждая, что выигрыши от оркестрации надежны к характеристикам тем и не являются артефактами, связанными с конкретными подсказками; полный перечень рангов сложности по темам и анализ дискриминации приведены в Приложении LABEL:app:topic_analysis.

Чтобы снизить возможную предвзятость, присущую числовому выставлению оценок по рубрике, мы дополнительно дополняем эти результаты попарным состязанием — сопоставлением бок о бок, которое напрямую выявляет предпочтения у LLM-судей, не навязывая жесткую числовую шкалу. Попарное состязание (Fig. 3) подтверждает эти результаты по всем 27 темам (Fig. S9) при высокой экспериментальной согласованности (Fig. S10): (1) агенты DToR демонстрируют более высокий средний процент побед (58,6%) по сравнению с Single DR агентами (52,8%) в прямых встречах; (2) DToR_gpt-oss120B_local500 достигает впечатляющего среднего процента побед 79%; (3) ведомые gpt-oss агенты DToR и Single демонстрируют сопоставимо высокие проценты побед выше 74%, что указывает на явное преимущество. Эти результаты дополнительно подтверждают предыдущие выводы, полученные по числовому выставлению оценок по рубрике: наши локально размещенные агенты DToR формируют превосходные DR-отчеты.

При валидации в dry-lab, охватывающей 10 метрик на пяти сценариях применения (рис. 4), мы всесторонне валидируем по доменным бенчмаркам с DFT и явным-solvent AIMD, оценивая каждую задачу относительно хорошо известного базового уровня, нормированного до 100. Задачи и метрики: (i) связывание сенсором PFAS — статические-DFT энергии связывания $\Delta E_{\text{bind}}$ для PFAS против интерферентов и явные-solvent разности потенциальной энергии конечного состояния по данным короткого AIMD, при этом селективность оценивается как $\Delta\Delta E$ (PFAS минус интерферент) и привязывается к $\beta$ -циклодекстрину[wang2024reversible] (Score=100); (ii) каталитическая деградация PFAS — энергии диссоциации связи C–F по данным ограниченных сканов и прокси для устойчивости связывания в растворителе, нормированные к Ti4O7 (Magnéli)[lin2018ti4o7] как доменный бенчмарк (100); (iii) адгезия связующего для батарей (на NCM811) — нормированная по площади $\Delta E_{\text{bind}}/A$ (static DFT, площадь контакта через атомы в выпуклой оболочке в пределах 3.5 Å) и разность конечного состояния (gap) в явном-solvent (AIMD), чтобы учесть конкуренцию с электролитом, привязанную к поливинилиденфториду (PVDF)[zhong2021pvdf] (100); (iv) устойчивость катализатора OER — потенциал растворения $U_{\text{diss}}$ (тенденция к вымыванию металла из поверхности) и энергия образования кислородной вакансии $V_{\mathrm{O}}$ (устойчивость кристаллической решетки), нормированные к IrO2[ding2025oermulti] (100); и (v) связывание CO2-сенсором — статические-DFT энергии связывания, отобранные по сетке для кандидатных поверхностей, линейно преобразованные и привязанные к g-C3N4[karthik2023gc3n4co2] (100). В этих пяти применениях мы наблюдаем четыре события $>$ 100 по всем метрикам (то есть каждая метрика для задачи превосходит свой базовый уровень): commercial once на CO2 sensor; local DR (non-gpt-oss) дважды на CO2 sensor и battery binder; и local DR (gpt-oss) один раз на PFAS degradation. В таких случаях кандидаты, предложенные DR, указывают на конкретные, проверяемые улучшения по сравнению с доменными базовыми уровнями с точки зрения качественных испытаний в dry lab: для CO2-сенсинга — более сильная и более равномерная адсорбция по сравнению с g-C3N4 (снижение разброса между участками); для связующих батарей — более высокая адгезия, нормированная по площади, чем у PVDF в сухих интерфейсах, и конкурентоспособная работа в явном электролите; и для деградации PFAS — более низкие энергии диссоциации C–F относительно Ti4O7 при сохранении достаточной устойчивости адсорбции. Отметим, что явным-solvent AIMD часто переставляет статические-DFT рейтинги, выявляя кандидатов, которые выглядят многообещающе в вакууме, но теряют позиции при включении сольватации/конкуренции — эффект, который мы количественно оцениваем на панелях AIMD-оценки. Агент local DR на основе gpt-oss лидирует по 7 из 10 метрик при оценке по усреднениям по метрикам и также достигает более высокой общей оценки, агрегируя по метрикам (98.7). Связанные подробности доступны в Appendix LABEL:app:dry_lab_details.

Хотя имитационные симуляции в «сухой лаборатории» обеспечивают первоначальный отбор, более внимательное рассмотрение кандидатов, предложенных агентами DR, выявляет разрыв в реализуемости при текущей оркестрации LLM–RAG (Fig. 5). В обнаружении PFAS агенты успешно выявили рациональные конструкции, такие как B1 и A1, однако агент DToR также сгенерировал «все-в-одном» сбои наподобие C3, в которых объединены четыре взаимно несовместимые фазы (гидрофобный фторсилан, гидрофильный MXene, наночастицы Ag, кислотный PEDOT:PSS). На практике синтез такой сложной системы был бы невыполним, потому что агенты игнорировали вероятные коллоидные несовместимости (например, фазовое разделение и кислотное травление), которые сделали бы устройство химически нестабильным[cameron2020pedotpss, kumar2023mxenestability]. Аналогично, для деградации PFAS экономически эффективные и химически устойчивые кандидаты вроде C4 и A3 противопоставляются C5 — тройной гетероструктуре (MXene/g-C3N4/Al2O3), которая пренебрегает потенциальными проблемами межфазного сопротивления переносу заряда и сложностью изготовления[mandari2025gcn_mxene_review, bagnall2025al2o3_stability]. Эти чрезмерно усложненные сбои проистекают из фундаментального ограничения текущих архитектур агентов: без встроенных априорных оценок осуществимости «в мокрой лаборатории», моделей стоимости или внешних валидаторов физики LLM склонны к «галлюцинациям обратного проектирования» [miret2025llms_materials_discovery, kalai2025hallucinate], которые предполагают функциональную аддитивность там, где существует физическая несовместимость. Это подчеркивает, что будущие фреймворки AI4Science должны интегрировать специализированные модули валидатора предметной области (например, ReAct-циклы, учитывающие синтез), чтобы обосновывать теоретическую генерацию экспериментальной реальностью333Расширенное обсуждение с дополнительными ссылками доступно в Приложении LABEL:candidate_feasibility_discussions..

Все временные показатели отражают однопроцессорную настройку с последовательным планированием работы агентов (методика оценки энергии в Приложении LABEL:app:power_estimation); в этой контролируемой конфигурации DToR с gpt-oss120B в среднем составляет 19.6 ч (Рис. 6, Рис. S11). Это следует рассматривать как верхнюю оценку затрат на оркестрацию, а не как требование к качеству: профиль с низкими ресурсами, который отключает локальный-corpus RAG, завершает работу за $<6$ ч (запуск на ночь), а конвейер DR с одной инстанцией и gpt-oss120B обычно завершается в течение $\sim$ 30 мин — на сопоставимом уровне с коммерческими решениями, при этом, как показано ранее, с более высокими баллами по рубрикам и duel. В целом наши выигрыши обусловлены оркестрацией и охватом информации, а не «наращиванием числа моделей»: пользователи могут явно настроить либо качество (DToR + corpus), либо стоимость/задержку (DR/no-RAG) в зависимости от доступных ресурсов. При отсутствии высоких подписочных плат (Рис. S12) для коммерческих решений эта схема обеспечивает гибверное развертывание — от легких ноутбуков до многонодных кластеров444ветви DToR могут выполняться параллельно; см. https://github.com/ruiding-uchicago/DToR_deep_research для деталей реализации., обеспечивая демократизированный, прозрачный и открытый доступ к продвинутым исследовательским агентам, адаптируемым к различным вычислительным бюджетам исследователей материалов.

4 Заключение

Мы представили DToR — локально разворачиваемый агент для DR, с контроллером дерева с ограниченными ресурсами, который объединяет локально-первый RAG, генерацию запросов с учетом разнообразия и ветвление, движимое пробелами, в результативный по происхождению, рассчитанный на длительный горизонт поиск информации. На 27 темах и 41 агенте, при 16,605 оценках по рубрике от 5 судей с доступом к вебу, наша лучшая локальная модель (DToR_gpt-oss120B_local500) заняла 1-е место (8.57/10) с средним показателем дуэльных побед 79% (14,580 дуэльных оценок), при этом использовалось только 4.37 кВт·ч/отчет на потребительских устройствах. В сухолабораторной валидации на пяти приложениях его кандидаты совпали с лучшими коммерческими решениями или превзошли их. Эта работа подчеркивает практический путь к открытым, надежным и масштабируемым on-prem агентам DR для автоматизированного, ускоренного научного открытия на уровне S3–S4.

Благодарности

Этот проект частично поддерживается стипендией Eric and Wendy Schmidt AI in Science Fellowship, программой Schmidt Sciences. Этот проект также частично поддерживается National Science Foundation Research Traineeship in AI-enabled Molecular Engineering of Materials and Systems for Sustainability (NRT-AIMEMS). Дополнительная поддержка поступила от University of Chicago Data Science Institute в рамках инициативы 2024 AI+Science Research Initiative. Эта работа также частично поддерживалась National Science Foundation по программе Future Manufacturing (грант 2037026) и по программе Robust Intelligence (гранты 2313131 и 2332475). Вычислительные ресурсы были предоставлены кластером Carbon высокопроизводительных вычислений в Center for Nanoscale Materials, Argonne National Laboratory, пользовательским объектом U.S. Department of Energy Office of Science (контракт № DE-AC02-06CH11357); Argonne Leadership Computing Facility, пользовательским объектом U.S. Department of Energy Office of Science в Argonne National Laboratory, в рамках программы DOE Office of Science Advanced Scientific Computing Research (контракт № DE-AC02-06CH11357) по дискретционному гранту ALCF «BRAINIAC» (Allocation ID 14368); University of Chicago Research Computing Center (предложение №68909) и кластером высокопроизводительных вычислений University of Chicago Data Science Institute; а также системой Delta и передовыми вычислительными ресурсами в Texas A&M High Performance Research Computing, обе полученные через программу Advanced Cyberinfrastructure Coordination Ecosystem: Services & Support (ACCESS) в рамках выделения MAT240097 и поддержанные грантами U.S. National Science Foundation 2138259, 2138286, 2138307, 2137603, 2138296.

Оглавление

Содержание

Appendix A Связанные работы в области Physics ML суррогатов, доменных LLM и агентных систем

A.1 Физически согласованные суррогаты и классическое машинное обучение

Физически направляемые предиктивные суррогаты теперь работают на уровне веб-масштаба: графовые сети и эквивариантные модели, обученные на массивных тщательно отобранных корпусах. Для обеспечения устойчивости кристаллических структур GNoME обучает крупные графовые модели и конвейеры активного обучения, чтобы предлагать миллионы кандидатных структур и помечать сотни тысяч как вероятно стабильные — демонстрируя, что данные+масштаб могут систематически расширять известную неорганическую вселенную [merchant2023gnome]. В каталитике инициативы Open Catalyst формализовали реалистичные вычислительные нагрузки: OC20 представила 1.28M DFT релаксаций и 265M оценок в одной точке для адсорбат–поверхностной энергетики и создала стандартизированные задачи (IS2RE/IS2RS/S2EF) с жесткими разделениями для обобщения; OC22 расширилась до оксидных электрокатализаторов, релевантных OER, с более реалистичными катализаторами и целями [chanussot2021oc20, tran2023oc22]. Новые датасеты в стиле foundation продвигают еще дальше: OMat24 агрегирует >110M записей DFT и выпускает сильные базовые модели (например, Equiformer-V2), которые достигают почти химической точности на нескольких задачах [barrosoluque2024omat24]; OMol25 аналогично масштабирует молекулярные данные DFT до >100M вычислений, охватывающих десятки миллионов уникальных молекул, что позволяет широкое предварительное обучение для физики малых молекул [levine2025omol25]. В дополнение к датасетам foundation-модели, такие как универсальная модель атомов (UMA) и Orb, исследуют одни и те же архитектуры, переносящиеся через химию и задачи, стремясь к междоменному обобщению при общей токенизации/представлении (featurization) атомов и локальных окружений [wood2025uma, orbitalmaterials2025orb]. Эти суррогаты особенно сильны для целей S1–S2 (объемная стабильность, энергии адсорбции, локальные структурные релаксации), но в работе они в основном остаются на уровне D1–D2: фиксированно-формульные предикторы, обученные на равновесных данных, с ограниченной способностью рассуждать о кинетике, окнах синтеза или ограничениях уровня устройства, которые проявляются на S3–S4. Итоговый эффект заключается в том, что они по-прежнему остаются превосходными «атомы→свойства» движками, однако они не помогают автономно решать задачу длительного горизонта — сбор многопартийных доказательств и процесс-ориентированное планирование, требуемое от атомного масштаба до масштаба устройства, — с обоснованиями rationales [merchant2023gnome, chanussot2021oc20, tran2023oc22, barrosoluque2024omat24, levine2025omol25, wood2025uma].

A.2 Сфера: LLM в предметной области (не агент)

Модельные LLM домена охватывают три полезные роли. (i) Материало-текстовые модели (MatSciBERT/MatBERT/MaterialBERT) обучаются на корпусах материалов, чтобы обеспечивать извлечение сущностей/отношений, классификацию документов и построение графов; MatSciBERT превосходит SciBERT в задаче распознавания именованных сущностей (NER) и отношениях на подборках специально отобранных бенчмарков, тогда как MatBERT показывает, что доменно-специфическое предварительное обучение заметно повышает NER F1 и эффективность по выборкам в текстах по материалам; MaterialBERT вводит доменный токенизатор/словарь, настроенные под материалы литературы, а Intern-S1 масштабирует доменно-специфические возможности рассуждений [gupta2022matscibert, trewartha2022quantifying, yoshitake2022materialbert, internlm2025interns1]. (ii) Химические/полимерные LLM ориентированы на предсказание/генерацию на уровне последовательностей: ChemBERTa установила трансформерные базовые варианты и тенденции масштабирования для SMILES; ChemBERTa-2 довела до 77M SMILES и показала стабильные улучшения (и что многозадачное регрессионное предварительное обучение может превзойти MLM (Masked Language Modeling) при переносе); ChemBERTa-3 вносит вклад в открытую, сквозную инфраструктуру обучения для химических фундаментальных моделей; MegaMolBART предоставляет крупномасштабную генеративную модель последовательностей, оптимизированную для молекулярного дизайна, а MOL-Mamba вводит модели пространства состояний для эффективного представления [chithrananda2020chemberta, ahmad2022chemberta2, singh2025chemberta3, nvidia2022megamolbart, hu2025molmamba]. ChemGPT демонстрирует масштабирование генерации до более чем 1B параметров с четкими нейроскалирующими законами для химических LLM, проясняя, как на практике соотносятся масштаб модели и данных [frey2023neural]. В полимерах TransPolymer предлагает химически осведомленный токенизатор и MLM предварительное обучение, которые улучшают регрессионные результаты на десяти бенчмарках; polyBERT строит сквозной, ультрабЫстрый пайплайн и отбирает 100M гипотетических полимеров; PolyNC объединяет входы естественного языка и химических последовательностей, чтобы улучшить согласованное предсказание свойств полимеров [xu2023transpolymer, kuenneth2023polybert, qiu2024polync]. (iii) Генеративные/дизайновые LLM для материалов включают ChatMOF и GPT-4 Reticular Chemist для предложений по MOF [kang2024chatmof, zheng2023gpt4], CataLM для дизайна катализаторов [wang2024catalm]; Crystal-LLM (авторегрессионная) генерирует кристаллические структуры по составу, а MatterGen масштабирует генерацию неорганических структур с валидированными открытиями и надежным контролем свойств [kang2024chatmof, antunes2024crystallm, zeni2025generative]. В совокупности эти модели обеспечивают гибкие интерфейсы текст/код/структура и сильную производительность S1–S2 — идеальные для курации, предложения кандидатов или скрининга с помощью суррогатов, но обычно они имеют короткий горизонт (D1–D2): они отвечают на запросы, а не проводят длительный на часы, инструментально-обоснованный, иерархический опрос по противоречивой литературе [yoshitake2022materialbert, trewartha2022quantifying, gupta2022matscibert, qiu2024polync, kuenneth2023polybert, xu2023transpolymer, chithrananda2020chemberta, ahmad2022chemberta2, singh2025chemberta3, frey2023neural, nvidia2022megamolbart, kang2024chatmof, zeni2025generative, antunes2024crystallm].

A.3 Агентные системы для научного исследования

Фреймворки агентов нацелены на оркестрацию полного цикла исследования: декомпозицию целей, извлечение и согласование свидетельств, применение инструментов/симуляторов предметной области и итеративную критику/планирование. Ранние примеры использовали планирование на основе правил/графов и байесовские циклы в ограниченных областях — Chematica/SYNTHIA реализовали правила ретросинтеза экспертов и эвристический поиск; CAMD задал автономный цикл проектирования/изготовления/обучения для отбора материалов [merck_synthia_website, montoya2020camd]. Агенты на базе LLM расширяют это за счет декомпозиции, ориентированной на язык, и использования инструментов: ChemCrow связывает модели с инструментами химии (например, RDKit, базы данных) для выполнения реалистичных задач [bran2024chemcrow]; HoneyComb предоставляет гибкий стек материалов-агентов с возможностями извлечения/инструментирования и подключениями к HPC [zhang2024honeycomb]; SciAgents формализует рассуждение в виде графов для научного планирования с участием нескольких агентов [ghafarollahi2025sciagents]. Недавние иерархические фреймворки, такие как El Agente, вводят оркестрацию для сложных рабочих процессов в квантовой химии [zou2025elagente], тогда как системы вроде CheMatAgent, ChemAgent, MatAgent и ChemHAS дополнительно специализируются на обучении использованию инструментов и координации с участием человека [wu2025chematagent, tang2025chemagent, bazgir2025matagent, li2025chemhas]. Наконец, фреймворки «AI co-scientist» объединяют планирование с web/code-инструментами и подчеркивают оценку и происхождение данных [gottweis2025towards]. Исполнительные бэкенды замыкают цикл: A-Lab и RoboMapper демонстрируют самоуправляемые лаборатории, которые открывают и характеризуют новые материалы [szymanski2023alab, wang2023sustainable]; IBM RXN/RoboRXN связывает цифровую ретросинтез-цепочку с автоматизированным синтезом [ibm2020roborxn]; а NVIDIA ALCHEMI ориентирован на масштабируемую инфраструктуру (данные, модели и ускоренное моделирование) для открытия материалов [ong2025alchemi]. Несмотря на прогресс, большинство агентов сегодня работают на глубине D2–D3 и в рамках масштаба S1–S3; они редко поддерживают запуски извлечения по тысячам запросов, явное управление деревом тем и тесную связку с кроссдоменными ограничениями процессов, которых требуют задачи уровня S3–S4 устройства. Именно эта ниша и предназначена для агентов deep-research: обеспечивать иерархическое планирование, многостадийное локальное+web извлечение в масштабе, адресные вызовы инструментов/симуляторов и систематическую самокритику с плотным сохранением происхождения данных до тех пор, пока не возникнет синтез, готовый к принятию решения [merck_synthia_website, montoya2020camd, bran2024chemcrow, zhang2024honeycomb, ghafarollahi2025sciagents, gottweis2025towards, szymanski2023alab, ibm2020roborxn, ong2025alchemi].

A.4 Разрыв до глубокого исследования на S3–S4/D4

Несмотря на существующие достижения, переход к сложности S3–S4 нано-устройств служит фундаментальным барьером. Комбинаторный взрыв по материалам, интерфейсам, параметрам обработки и операционным ограничениям порождает пространства гипотез, где решающие идеи лежат на пересечении разнородной литературы, противоречивых сообщений и междисциплинарных явлений. Ключевым образом, накопление доказательств на длительных горизонтах и иерархическое накопление данных (D4) остается недостаточно описанным: многие агенты ограничиваются D2–D3, с ограниченными итерационными циклами, поверхностной координацией и отсутствием явного управления деревом тем для синтеза по схеме «ширина затем глубина». Коммерческие предложения для глубоких исследований, представленные в 2025 году, позволяют многошаговые запросы, но остаются закрытыми по исходному коду, с ограниченной управляемостью и локальной интеграцией, что усиливает необходимость в открытых, on-prem платформах, адаптированных под рабочие процессы с проприетарными материалами. DToR решает эту задачу, рассматривая каждую исследовательскую вершину как состояние, обоснованное доказательствами, в поиске по дереву с ограниченными ресурсами, связывая символьное рассуждение ToT/GoT с требуемым для научных открытий предметно-ориентированным «привязыванием» знаний. Насколько нам известно, DToR — это первая открытая on-prem платформа, которая явно связывает локальный предметный RAG с расширением веб-источников, запускаемым обнаружением пробелов, в дереве поиска с ограниченными ресурсами, чтобы решить задачу обнаружения материалов S3–S4 — режим, в котором ни чистые суррогаты, ни закрытые коммерческие DR-агенты не работают надежно.

Appendix B Дополнительные рисунки

Appendix C Темы наноматериалов и устройств

C.1 PFAS_2D_FET_Probes

Какие двумерные (2D) наноматериалы или молекулярные зонды — включая новые, малоизученные кандидаты — обладают наибольшим потенциалом для обеспечения высокочувствительного и высокоселективного обнаружения пер- и полифторалкильных веществ (PFAS), или более широко химических и биологических аналитов, при их интеграции в сенсорную платформу на основе полевого транзистора (FET)?

C.2 LIB_Advanced_Binders

Какие передовые технологии биндеров разрабатываются для повышения производительности и долговечности литий-ионных аккумуляторов?

C.3 S_aureus_FET_Commercial_Probes

Как можно использовать появляющиеся зондовые химические составы, которые коммерчески доступны, экономически эффективны и демонстрируют минимальную вариабельность от партии к партии, для разработки новой биосенсорной системы на основе FET для обнаружения Staphylococcus aureus?

C.4 Wastewater_Resource_Recovery_Cats

Какие наноструктурированные материалы электрокатализатора демонстрируют наивысшую селективность и эффективность для электрохимического обнаружения и извлечения критически важных ресурсов (например, Li+, PO4³-, NH4+) из сложных матриц сточных вод, и какие ключевые показатели эффективности — такие как селективность, чувствительность, скорость извлечения, энергопотребление и эксплуатационная стабильность — отличают их?

C.5 OER_Устойчивые_к_сточным_водам_коты

Определите ключевые материалы наноразмерных электрокатализаторов для стимулирования реакции выделения кислорода (OER) в сложных матрицах сточных вод — таких как потоки с высокой концентрацией хлоридов, с высокой органической нагрузкой или с многокомпонентными ионами — для каждого класса/состава материала, всесторонне учитывая ключевые показатели эффективности (перенапряжение при 10 мА см-², фарадеевская эффективность, стабильность), а также стратегии поверхностного проектирования, которые обеспечивают коррозионную стойкость и устойчивую активность в условиях реальных стоков.

C.6 Solar_Evap_Wastewater_Photothermal

Какие фототермические материалы и конструкции систем наиболее эффективны для испарения воды, приводимого в действие солнечным излучением, в сложных матрицах сточных вод — например, в потоках с высокой органической нагрузкой или в многокомпонентных потоках с несколькими ионами — и как они соотносятся по составу материалов, эффективности преобразования «солнечный свет — пар» при освещении с интенсивностью одна «sun», скорости испарения, устойчивости к загрязнению и интегрированным функциям извлечения ресурсов?

C.7 Датчики_питательных_веществ_анти_помех

Какие материалы/химические вещества для зонда датчика и какие конструкции обеспечивают наилучшую производительность в минимизации факторов помех — таких как конкурирующие ионы, растворенное органическое вещество, колебания pH и вариации температуры — для точного и избирательного обнаружения питательных веществ (например, нитратов, фосфатов, аммония) в сложных водных матрицах, и какие стратегии снижения воздействия помех они применяют?

C.8 CO2_Sensing_2D_Materials

Какие двумерные материалы — такие как производные графена, дихалькогениды переходных металлов или MXenes — обеспечивают наивысшие показатели обнаружения CO2 в сложных газовых или водных средах, и как они сравниваются по пределу обнаружения (ppm), селективности против распространённых мешающих факторов (например, O2, H2O), времени отклика/восстановления и долгосрочной стабильности, включая любые функционализации или структурные модификации, которые улучшают эти показатели? Подумайте о новых кандидатах.

C.9 Процессное окно для массива напечатанных FET

Какие параметры изготовления печатной электроники и стратегии постобработки — такие как вязкость чернил, скорость печати и разрешение, поверхностная энергия подложки, профили температуры отжига и методы калибровки в потоке — показали, что они уменьшают вариабельность «от устройства к устройству» в массивах сенсоров на базе FET, и какие конкретные диапазоны процессов позволяют обеспечить низкую вариабельность порогового напряжения и подвижности вольт-эффектного поля?

C.10 2D_Синаптические_Транзисторы_Практический

Какие двумерные материалы (например, MoS2, WSe2, черный фосфор, h-BN), архитектуры устройств (например, с плавающим затвором, ионно-управляемые, с двойным затвором) и протоколы изготовления (например, контроль толщины канала, инженерия диэлектрика, металлизация контактов) показали способность оптимизировать характеристики синаптического транзистора — в частности по таким показателям, как энергия на событие, линейность обновления веса, время удержания и устойчивость к многократному циклированию — для задач нейроморфного сенсорного восприятия? Подумайте о наиболее практичных и перспективных кандидатах.

C.11 Microplastics_Sensing_2D

Какие платформы двумерных материалов (например, производные графена, дихалькогениды переходных металлов, MXenes), элементы молекулярного распознавания (например, молекулярно импринтированные полимеры, аптамеры, пептидные рецепторы) и стратегии интеграции устройств (например, FET, электрохимический импеданс, фотонная трансдукция) показали наивысшую чувствительность, селективность к органическим веществам и ионным интерферентам, а также быстрое время отклика при обнаружении микропластиковых и нанопластиковых частиц в сложных водных матрицах? Думайте о новых кандидатах.

C.12 Antibiotics_Sensing_2D_Probes

Какие коммерчески доступные, экономически эффективные зондовые хемостратегии (например, тиолированные ДНК-аптамеры, миметики антител, проводящие MIPs), в сочетании с двухмерными платформами преобразователей наноматериалов (например, WS2 FET, сенсоры на основе полевых транзисторов на графене, FET с расширенным затвором из нанотрубок), обеспечивают самые низкие пределы обнаружения, минимальную вариабельность партий и надежную работу для сенсорного обнаружения следовых количеств фармацевтических антибиотиков в разнообразных водных объектах.

C.13 Li_over_Na_Selectivity_Membranes

Какие материалы или мембраны проявляют наибольшую селективность к Li+ по сравнению с Na+ в водных системах, учитывая их почти идентичные гидратированные ионные радиусы и сольватационные окружения? Помимо полимеров, функционализированных краун-эфирами, какие новые или неожиданные материалы — такие как биовдохновленные мембраны с ультравысокой селективностью или нано каналы на основе каркасных ковалентных органических структур (covalent organic framework) — могут обеспечить прорывную дифференциацию Li+ по сравнению с Na+? Найдите новые и перспективные кандидаты.

C.14 PFAS_Electro_Degradation

Какие новые материалы для электродов могут обеспечивать эффективную деградацию PFAS в условиях окружающей водной электрохимии, достигая одновременно высоких скоростей минерализации и дефторирования? Какие внутренние свойства — такие как сродство PFAS к адсорбции, способность к генерации активных форм кислорода и энергия активации разрыва связи C–F — должны быть оптимизированы, чтобы направлять их поиск?

C.15 LiCoNi_Selective_Membranes

Какие материалы мембран могут эффективно разделять ионы Li+, Co²+ и Ni²+ из водных растворов, используя селективные транспортные свойства — такие как подобранные размеры пор, специфические функционализации поверхности и аффинности к заряду — и какие принципы проектирования мембран оптимизируют как селективность, так и проницаемость? Думайте о потенциальных новых, эффективных и практичных кандидатах.

C.16 InSitu_Liquid_TEM_MoS2_Sensing

Как можно использовать in situ жидкостную ячейку TEM для непосредственной визуализации в реальном времени адсорбции и структурных изменений нанолистов 2D MoS2, применяемых в водных FET-датчиках, во время связывания аналита? Какие конфигурации жидкостных ячеек и параметры электронной дозы необходимы для сохранения нативных границ «вода–материал» при регистрации высокоразрешающих событий сенсинга без артефактов, вызванных электронным пучком?

C.17 CO2RR_SOTA_and_Emerging_Cats

Учитывая нынешний ландшафт электро-восстановления CO2, какие современные платформы катализаторов — такие как медь, полученная из оксидов, одноатомные катализаторы на носителях из азот-легированного углерода или материалы, полученные из металло-органических каркасов — демонстрируют наивысшую активность и селективность? Кроме того, какие появляющиеся каталитические системы или новые гетероструктуры помимо этих примеров могли бы с высокой вероятностью превзойти сегодняшние ведущие электрокатализаторы с точки зрения фарадеевской эффективности и стабильности?

C.18 NextGen_Solar_Unconventional

Перевскит–кремниевые тандемные элементы, органические фотовольтаические элементы и квантово-точечные солнечные элементы в настоящее время представляют передний край солнечных технологий следующего поколения. Помимо этих уже известных платформ, какие нетрадиционные классы материалов или инновационные архитектуры приборов — такие как халькогенидные перовскиты, гетероструктуры двумерных полупроводников или фотовольтаические системы на основе ферроэлектриков — предлагают самое неожиданное обещание для достижения прорывов в эффективности, стабильности и масштабируемости?

C.19 Ambient_Pressure_Diamond_Growth

Как можно адаптировать синтез алмазов при окружающем давлении с использованием жидкометаллического сплава Ga–Ni–Fe–Si при 1 атм и 1025 °C, чтобы получать более крупноплощадочные пленки алмазов или ориентированные монокристаллы, и какие ключевые механистические этапы определяют зародышеобразование и кинетику роста при этих условиях низкого давления?

C.20 Diamane_Bandgap_Functionalization

Какие химические функционализации или реакционные пути наиболее перспективны для настройки электронной ширины запрещённой зоны и механической стабильности диманоподобных плёнок двумерного алмаза, формируемых посредством преобразования sp² в sp³, и каким образом такие модификации могут повлиять на их интеграцию в наноэлектронные устройства?

C.21 LIB_Fluoroether_Анионный_рецептор

Поиск новых кандидатов электролитов на основе фторированных простых эфиров, которые включают ковалентно связанные фрагменты анион-рецептора (например, группы с атомом бора или фосфора в центре), чтобы обеспечить окислительную стабильность выше 5.6 В, числа переноса Li+ выше 0.8 и минимальный межфазный импеданс на анодах из лития-металла.

C.22 ML_e_Tongue_for_Water

Какие многокомпонентные (например, графен/2D) многосенсорные массивы с встроенными на чипе QA/QC и распознаванием образов обеспечивают надежное определение отпечатков смеси (металлы + микробы + органические вещества) в проточной воде, с автоматизированным управлением дрейфом/отказами для развертывания в полевых условиях?

C.23 Батарейно-непитаемые_растяжимые_биосенсоры

Какие трибоэлектрические/пьезоэлектрические, прилегающие к коже платформы (сети CNT/графена, ионные гели) обеспечивают непрерывный мониторинг метаболитов/ионов без батарей — какие плотности мощности и периодически включаемые режимы считывания являются практичными для работы в течение недель?

C.24 Смешанноразмерные малошумные преобразователи

Какие 2D-0D/2D-1D/2D-3D vdW-стопки (например, MoS2–QD, CNT–graphene) лучше всего сочетают сильное захватывание/поглощение с высокомобильным переносом, чтобы повысить чувствительность FET/фотодетектора и обеспечить устойчивость базового уровня в реальных средах?

C.25 Электро_фотоуправляемые затворные умные мембраны

Какие электрически управляемые или фотоотзывчивые нано-каналы (MXene/COF/полимерные гибриды) обеспечивают селективность по требованию и устойчивость к обрастанию (anti-fouling) для разделения ионов и восстановления ресурсов в сточных водах, и какие соотношения «включено/выключено» при переключении и срок службы при циклировании являются на уровне лучших достижений??

C.26 Временные биоразлагаемые сенсорные узлы

Какие растворимые проводники, диэлектрики и материалы инкапсуляции обеспечивают стабильную работу водно-грунтовых датчиков с программируемым временем в течение недель, а затем их саморастворение без образования электронных отходов — какие кинетики деградации и стратегии беспроводной передачи данных и их сохранения наиболее практичны?

C.27 Каталитическая_минерализация_микропластика

Какие фотоcинтезирующие фотокатализаторы, генерирующие ROS, и архитектуры микромоторов обеспечивают в реальных водах проверяемую деполимеризацию/минерализацию распространенных МП (PE, PP, PET) — какие доли минерализации, спектры и показатели токсикологической оценки побочных продуктов определяют «настоящую очистку”?

Appendix D Локальные экспериментальные настройки для DR

D.1 Открытые исходные коды LLM и локальный корпус RAG

Мы реализуем фреймворк в LangGraph и развертываем три малозатратные по развертыванию, открытые по исходному коду LLM — DeepSeek-R1-14B, DeepSeek-R1-70B, QwQ-32B, gpt-oss-20B и gpt-oss-120B — обслуживаемые локально через Ollama. Все агентские подсказки и ввод/вывод инструментов используют дисциплину JSON/tool-calling для детерминизма и удобного разбора, а тот же исследовательский узел (RN), описанный в Algorithm 2, является единицей работы в контроллере (Algorithm 3 DToR). Для предоставления репрезентативных, ориентированных на приложения знаний по наноматериалам и устройствам мы создаем стандартизированное векторное хранилище Chroma, охватывающее 1,136,297 полнотекстовых статей, организованных вокруг четырех направлений: датчики, батареи, катализ и полупроводники. Корпус запрашивается сначала в рамках политики local-first RAG; дополнительное веб-поисковое извлечение вызывается только тогда, когда в Algorithm 2 (local evidence-first) рефлексия обнаруживает незакрытые пробелы в знаниях. В соответствии с нашим акцентом на полезности уровня отчетов, а не на бенчмаркинге информационного поиска (IR), слой local-first RAG рассматривается как рутинный, заменяемый компонент; DToR запускает дополнительные веб-свидетельства только при явных пробелах в знаниях и разрешает конфликты между источниками путем выбора большинства доказательств → новизны → авторитетности домена. Чтобы обеспечить переносимое и поддающееся аудиту покрытие доменов без раскрытия каких-либо локальных текстов или индексов, мы публикуем точные шаблоны запросов для определения границ доменов, соответствующие этим четырем направлениям. На практике мы предоставляем шаблоны для датчиков, энергии/окружающей среды (включая батареи), полупроводников и катализа, чтобы другие могли нацеливаться на тот же охват с собственными массивами данных, сохраняя при этом идентичную оркестрацию.

D.1.1 Построение корпуса

Исходные полные тексты нормализуются с помощью конвейера очистки, разработанного для научных документов в масштабе. Очиститель (i) сохраняет структуру разделов и заголовки, (ii) сохраняет уравнения LaTeX/MathJax и общие математические окружения с помощью устойчивых маркеров, (iii) стандартизирует таблицы в компактную текстовую схему, (iv) нормализует URL/DOI и маркеры цитирования вместо их удаления и (v) консервативно удаляет артефакты XML/HTML и шумное заключительное содержание. Для длинных входных данных мы применяем токенизацию с скользящим окном (по умолчанию window8192 токенов, stride 4096) или вариант, учитывающий разделы, который уважает обнаруженные границы, в результате чего получается JSONL, пригодный для последующего обучения или индексирования. Поскольку наш фокус связан с оркестрацией DToR, мы придерживаемся широко используемых, готовых к применению подходов к подготовке и векторному индексированию; слой корпуса функционирует как рутинный, заменяемый компонент, а не как методологический вклад. Чтобы обеспечить воспроизведение в объеме, эквивалентном по масштабу, для различных фондов, мы публикуем точные шаблоны запросов для ограничения домена для сенсоров, энергетики/окружающей среды (включая батареи), полупроводников и катализa; пользователи могут развернуть локальное хранилище с их обычными институциональными конвейерами и предпочитаемыми индексаторами.

Индексация и извлечение

Очищенные тексты разбиваются с помощью рекурсивного символьного разделителя (по умолчанию размер фрагмента 2500, перекрытие 500) и встраиваются с использованием BAAI/bge-m3. Каждый фрагмент несет богатые метаданные (id статьи, DOI, id/индекс фрагмента, путь-источник, id шарда) для поддержки происхождения и исключения дубликатов. Встраивания сохраняются в Chroma, что обеспечивает быстрое извлечение k-NN и инкрементное сохранение при больших загрузках. Для устойчивости на разных машинах хранилище разбито на 500 томов (шардов). Такая организация решает две задачи: (1) управляемую широту — DToR может расширяться до дополнительных томов, когда аналитик решает расширить охват; и (2) ограниченную глубину/задержку — ветви можно отсекать, как только достигается глубина или достаточность доказательств, не затрагивая несвязанные тома. Чтобы снизить риски лицензирования и конфиденциальности, наш локальный корпус ограничен источниками, имеющими институциональную лицензию, или открытыми источниками, и мы публикуем только шаблоны запросов с заданием домена — не тексты и не индексы, — чтобы другие могли воспроизвести охват без распространения защищенного авторским правом контента или PII.

Интеграция политики

В каждом исследовательском узле сначала предпринимается локальное извлечение; сводки синтезируются на основе локальных данных. Только когда рефлексия выявляет конкретные пробелы, контроллер расширяет (выбирая дополнительные объемы и создавая новые RNs) или сокращает (останавливая дальнейший рост ветви). Эта стратегия сочетает широту (многоколоночное исследование по нескольким опорам) с глубиной (итеративное углубление внутри объема), при этом сохраняя затраты предсказуемыми на типовом аппаратном обеспечении и избегая внешних зависимостей во время основного цикла исследования.

Настройка агента

По умолчанию мы запускаем все агенты в конфигурации local-first с ориентированным на стоимость резервным использованием веба. В частности, в ветвях DR одного агента и DToR используется глубина исследования 3 итерации: каждый RN сначала запрашивает локальную Chroma с top-k = 5, и только затем вызывает веб-поиск — по умолчанию DuckDuckGo — чтобы избежать платы за запросы к API. В режиме DToR ширина–глубина ограничивается: max branches = 3, max branch depth = 3, nodes per branch = 100, и глобальным лимитом 500 узлов на эксперимент, что обеспечивает предсказуемую задержку и вычисления. Модели обслуживаются локально через Ollama; RAG включен по умолчанию с embeddings BAAI/bge-m3, а согласованность документов сохраняется за счет полностраничной загрузки и безопасной гигиены вывода. Все параметры остаются настраиваемыми пользователем через конфигурацию/RunnableConfig, чтобы менять баланс покрытия, задержки и стоимости — например, увеличивая глубину или top-k для более сложных запросов, или переключая веб-отображатели, когда позволяют бюджеты.

D.2 Шаблоны запросов для определения области применения

Ниже приведены шаблоны, которые определяют охват предметной области, используемый нашей локально-первой цепочкой обработки (датчики, энергия/среда, полупроводники, катализ). Они публикуются, чтобы другие могли нацеливаться на тот же охват темы с помощью собственных коллекций и прав доступа.

D.2.1 Шаблон сенсорного домена

⬇

(

TITLE-ABS-KEY(

(

"Оптический" OR "Газ" OR "Давление" OR "Термический" OR "Магнитный" OR "Акустический" OR "Влажность" OR "Штамм" OR

"Гибкое" OR "Носимое устройство" OR "Пьезоэлектрический" OR "Фотоэлектрический" OR "Биосенсорика" OR "Нановолокно" OR

"Электрохимический" OR "RFID" OR "Окружающая среда мониторинг" OR "Фотоника" OR "Нанопроволока" OR "Квантовый" OR

"Вода качество" OR "Окружающая среда" OR "Загрязнение обнаружение" OR "Биологическая" OR "Биомаркер" OR "VOC" OR

"Медицинская" OR "Здоровье мониторинг" OR "Диагностика" OR "Умный" ИЛИ "Интернет вещей (IoT)" OR "Графен-основано" OR "Nano" OR

"Сельскохозяйственный" OR "Промышленность" OR "Меркурий ion" OR "Тяжёлый металл ion" OR "Низко-концентрация gas" OR

"CO" OR "H2" OR "NO2" OR "NH3" ОР "Белок" OR "DNA" OR "Бактерии" OR "Нанокомпозит" OR

"Гибкая электронный" OR "Еда безопасность" OR "Воздух качество"

)

Именно ("детектор" OR "sensor")

)

OR TITLE-ABS-KEY(

(

"биосенсор" OR "химическое датчик" OR "gas датчик" OR "влажность сенсор" ОР "давление сенсор" OR

"strain калибровочная метка" OR "фотодетектор" OR "фототранзистор" OR "хемирезистивный" OR "хемирезистор" ИЛИ

"Сфера-эффект транзистор" OR FET OR ИСФЕТ OR EGFET OR OFET OR GFET OR BioFET OR

"электролит-gated транзистор" OR "лаборатория-о-a-чип" OR "микрофлюидный*" OR "surface акустический wave" OR SAW OR

"кварц кристалл микровес" OR QCM OR "сфера плазмон резонанс" OR SPR OR SERS OR

"электрохимический импеданс спектроскопия" OR EIS OR "потенциометрический" OR "амперометрический" OR "вольтамперометрический"

)

И И ("сенсор*" OR "детектор*" OR "трансдуктор*" OR "FET" OR "транзистор")

)

OR TITLE-ABS-KEY(

(

"H2S" OR "SO2" OR "NO" OR "O3" OR "CO2" OR "CH4" OR "этанол" OR "метанол" OR "ацетон" OR "толуол" OR

"бензол" ИЛИ "формальдегид" OR "изопропанол" OR "ксилен" OR "водород перекись" OR "glucose" OR "уреа" OR

"лактат"

)

И И ("датчик*" OR "детектор*" OR "биозондирование" OR "хемосенсинг")

)

OR TITLE-ABS-KEY(

"graphene oxide" ИЛИ "уменьшено графен oxide" OR rGO OR "carbon нанотрубка" OR CNT OR "нанориббон" OR "нанотрубка" OR

MXene OR "Ti3C2Tx" ОР MoS2 OR WS2 OR WSe2 OR "переход металл дихалькогенид*" OR TMD

)

OR TITLE-ABS-KEY(

"advanced датчик сеть" OR "real-время мониторинг" OR "умный датчик сеть" OR

"интегрированный sensor сеть" OR "биосенсинг платформа"

)

OR TITLE-ABS-KEY(

"беспроводная связь sensor сеть" OR WSN OR "край зондирование" OR "edge вычисления" OR "цифровой twin"

)

OR TITLE-ABS-KEY(

"выборочный связывание" OR "молекулярный распознавание" OR "связка сродство" OR "синтетический рецептор" OR

"probe дизайн" OR "молекулярное согласование" OR "вычислительный probe дизайн" OR "искусственный связывание site"

)

OR TITLE-ABS-КЛЮЧЕВОЕ СЛОВО(

"host-гость" OR "супрамолекулярный" OR "молекулярный оттиск*" OR MIP OR "аффинность sensor" OR "bioprobe"

)

OR TITLE-ABS-KEY(

"углеводород связывание" OR "non-полярная molecule" OR "углеводород адсорбция" OR

"pi-pi взаимодействие" OR "van der Ваалс"

)

OR TITLE-ABS-KEY(

"препарат исследование" И И (

"лиганд рецептор" OR "structure-на основе разработка" OR "биохимический анализ" OR

"высокий-пропускная способность скрининг" OR "aptamer" OR "пептид probe"

)

И И ( LIMIT-TO ( DOCTYPE , "ar" ) )

И И ( ПРЕДЕЛ-TO ( ЯЗЫК , "English" ) )

D.2.2 Шаблон домена «Энергия и окружающая среда»

⬇

(

TITLE-ABS-KEY(

(

"Литий-ion battery" OR "Суперконденсатор" OR "Топливо ячейка" OR "Поток аккумулятор" OR "Графен аккумулятор" OR

"Натрий-ion аккумулятор" OR "Гибкий battery" OR "Быстро зарядка технология" OR

"Далее-generation battery технологии" OR "Квантовый батареи" OR "Редокс поток батареи" OR "Металл-air батареи" OR

"Тепловой батареи" OR "Биоразлагаемый батареи" OR "Ультрабыстрый зарядка аккумуляторы" OR

"Солнечная перезаряжаемая батареи" ИЛИ "Литий-сера battery" OR "Калий-ion battery" OR "Твёрдый-состояние battery" OR

"Green энергия storage" OR "CO2 capture" OR "Графен-Sn гибриды" OR "Вертикально-ориентированная graphene" OR

"Графен-SnO2 наночастица структуры" OR "Высокий-пористость graphene" OR "Графен наночастица гибриды" OR

"Энергия плотность" OR "Цикл жизнь" OR "Безопасность" OR "Устойчивость" OR "Электролит инновация" OR

"Анод материалы" OR "Катод материалы"

)

AND ("аккумулятор" OR "хранение")

)

OR TITLE-ABS-KEY(

"Li-ion" OR "Li металл" OR "Na-ion" OR "K-ion" OR "Li-S" OR "solid электролит" OR SEI OR

"solid-состояние электролит" OR "полимер электролит" OR "ionic liquid электролит" OR "supercapacit*" OR "ультраконденсатор"

)

OR TITLE-ABS-KEY(

"селективный ion разделение" OR "PFAS удаление" OR "фосфат удаление" OR "нитрат удаление" OR

"ion обмен" ОР "хелирование стратегия" OR "избирательный извлечение" OR "water очистка"

)

OR TITLE-ABS-КЛЮЧЕВОЕ(

"advanced материалы" И (

"селективный мембрана" OR "нанофильтрация" OR "адсорбция мембрана" OR

"адаптивный полимер" OR "умный полимер" OR "наноструктурированный сорбент"

)

OR TITLE-ABS-KEY(

"вода лечение" OR "вода восстановление" OR "сточные воды лечение" OR "resource восстановление" OR

"вода обработка" OR "устойчивый water управление" OR "вода reuse"

)

OR TITLE-ABS-KEY(

"экологическая устранение последствий" И И ("устойчивый восстановление" OR "круговая экономика" OR "загрязнитель удаление")

)

OR TITLE-ABS-KEY(

"минерал обработка" OR "критическая минерал извлечение" OR "гидрометаллургия" OR

"разделение технология" OR "выборочный разделение"

)

OR TITLE-ABS-KEY(

PFAS OR "per- и полифторалкил" OR "перфторированные" ОР ПФОК (PFOA) OR PFOS OR

"reverse osmosis" OR RO OR "мембрана дистилляция" OR MD OR "адсорбция" OR "ion-выборочный" OR

"direct воздух capture" OR DAC

)

/* критический minerals деталь */

OR TITLE-ABS-КЛЮЧ(

"редкий земля*" OR REE OR "литий извлечение" OR "lithium рассол" OR cobalt OR никель OR марганец OR

"растворитель извлечение" OR SX OR "электровыделение" OR EW OR "адсорбционный разделение" OR "resin"

)

И И ( ПРЕДЕЛ-TO ( DOCTYPE , "ar" ) )

И ( LIMIT-ТО ( ЯЗЫК , "English" ) )

D.2.3 Шаблон домена полупроводников и устройств

⬇

(

TITLE-ABS-KEY(

(

"Квантовый dots" OR "Тонкий film" OR "Органический" OR "Неорганическое" OR "Гибкий" OR "Оптоэлектронный" OR "Мощность" OR

"Высокий-частота" OR "2D материалы" OR "Наноструктурированный" OR "Спинтроника" OR "Фотовольтаика" OR "Термоэлектрический" ОР

"Пьезоэлектрический" OR "Память" OR "Квантовый вычисление" OR "Перовскит" OR "Нанокристаллы" OR

"Свет-излучение диоды" OR "Солнечная cell" OR "Окружающая среда мониторинг" OR "Графен-основанный" OR "Наноэлектронный" OR

"Струйный (чернильный) печать" OR "Печатаемый" OR "Гибкий электроника" OR "Носимое устройство электроника" OR "Энергия извлечение" OR

"Силикон-основано" OR "Галлий нитрид" OR "Высокий мобильность" OR "Низкий-мерный" OR

"Переход металл дихалькогениды" OR "Черный фосфор" OR "Quantum well" OR "Гетеропереходы" OR

"Растяжимый electronics" OR "Высокий-эффективность solar cells" OR "Низкий-power" OR "Высокий тепловой проводимость"

)

И ("полупроводник" OR "устройство")

)

OR TITLE-ABS-KEY(

(

транзистор* OR MOSFET OR JFET OR HEMT OR CMOS OR "интегрированный circuit" OR IC OR диод* OR LED OR OLED OR QLED OR

"фотодетектор*" OR "фототранзистор*" OR "оптоэлектронный устройство*" OR "память устройство*" OR "спинтроникс устройство*"

)

И ("устройство*" ИЛИ "полупроводник*")

)

OR TITLE-ABS-КЛЮЧЕВОЙ(

"III-V" OR "SiC" OR "Ga2O3" OR "GaN" OR "InP" OR "InGaAs" OR "AlGaN" OR MoS2 OR WS2 OR WSe2 OR MoSe2 ОР MoTe2 OR

"black фосфор" OR "перевскит" OR "graphene" OR MXene OR CNT OR "carbon нанотрубка" OR "нанолента"

)

OR TITLE-ABS-КЛЮЧ(

"Шоттки" OR "p-n junction" OR "гетероструктура" OR "запрещённая зона" OR "carrier мобильность" OR "на/off ratio"

)

И И ( ОГРАНИЧЕНИЕ-TO ( DOCTYPE , "ar" ) )

И И ( ПРЕДЕЛ-ТО ( LANGUAGE , "English" ) )

D.2.4 Шаблон домена катализиса

⬇

(

TITLE-ABS-KEY(

(

"Катализ" OR "Гетерогенная" OR "Однородное" OR "Био-" OR "Green" OR "Фотоэлектро" OR

"Тепловое" OR "Органокатализ" OR "Асимметричный" OR "Нано-зимы" OR "Фотокаталитический вода разделение" OR

"CO2 снижение" OR "Электрохимический" OR "Плазмонный" OR "Фермент иммобилизация" ОР "Молекулярная" OR

"Хиральный" OR "Один атом" OR "Энергия conversion" OR "Избирательное окисление" OR "Окружающая среда ремедиация" ИЛИ

"Зеленый энергия" OR "водород эволюция" ИЛИ "водород окисление" OR "Oxygen снижение" OR "Oxygen эволюция" OR

"Металл-органический framework" OR "Биметаллический" OR "Топливо ячейка" OR "Биомасса конверсия" OR "high энтропия"

)

И И ("катализатор" OR "катализ")

)

OR TITLE-ABS-KEY(

"фотокатализ" OR "электрокатализ" OR "термокатализ" OR HER OR HOR OR ORR ОР OER ОР CO2RR OR "CO2 RR" ИЛИ

"oxygen эволюция реакция" OR "oxygen снижение реакция" OR "hydrogen эволюция reaction"

)

OR TITLE-ABS-KEY(

"single-атом катализатор" OR "дефект инженерия" OR "гетеропереход" OR "перовскит oxide" OR spinel OR

MXene OR MOF OR "металл-organic фреймворк" OR COF OR "ковалентный organic фреймворк" OR "g-C3N4" OR

"графитовый carbon нитрид" OR "NiFe LDH" OR "слоистая double гидроксид" OR "high-энтропия alloy"

)

ИЛИ TITLE-ABS-КЛЮЧЕВОЙ(

"advanced катализ" И И ("вода очистка" OR "фотокаталитический деградация" OR "каталитический окисление" OR "green катализ")

)

OR TITLE-ABS-KEY(

"advanced окисление process*" OR AOP OR Fenton OR "photo-Фентон" OR "персульфат активация"

)

И и ( Ограничение-TO ( DOCTYPE , "ar" ) )

AND ( LIMIT-ТО ( LANGUAGE , "English" ) )

Appendix E Рубрика и шаблоны для оценки LLM как судьи

E.1 LLM-as-Judge Рубрикатор для оценки (применено к отчету DR)

{Anonymous DR Report content}

Теперь, пожалуйста, проанализируйте и оцените приведенный выше отчет по пяти равновзвешенным измерениям:

1. Соответствие заявленной цели,
2. Глубина и строгость протоколов валидации и бенчмаркинга,
3. Ясность и воспроизводимость методологии,
⟦Практическая применимость и готовность к внедрению,
5. Новизна и широта охвата кандидатов.

Для каждого измерения присвойте оценку от 0 до 10 и укажите обоснование в одном предложении. Эта рубрика делает равный упор на процедурную строгость и четкие шаги реализации наряду с общей согласованностью, гарантируя, что отчеты с хорошо определенными эталонами и практическими рекомендациями получают полную оценку. Пятимерная рубрика была специально разработана для поощрения не только извлечения информации, но и подлинной исследовательской полезности — с приоритетом для практических выводов с четким происхождением, а не для одной лишь всеобъемлющей полноты.

Согласованность оценок между экспертами. Мы вычисляем корреляции Пирсона и Спирмена между экспертами по повторяющимся оценкам тем–отчетов; эти корреляции количественно характеризуют согласованность между экспертами и не используются как доказательство фактической корректности. Хотя рубрика делает акцент на объективных измерениях, таких как новизна и применимость, возможные смещения со стороны LLM-оценщиков — например, предпочтение выходов с похожими архитектурами — были снижены за счет усреднения по разнообразным моделям.

E.1.1 Определения пяти измерений (равные веса)

Relevance = Соответствие заявленной цели и области охвата, включая охват ключевых подкомпонентов, а не только ключевых слов по теме. Depth = Строгость анализа и валидации (например, явные допущения, бенчмаркинг или абляции, указанные неопределенность/ограничения). Clarity = Структура и воспроизводимость методологии, с прослеживаемым происхождением (ссылки, данные/источники, шаги) и недвусмысленными утверждениями. Applicability = Практическая применимость результатов (материалы/кандидаты, параметры/протоколы, требования к ресурсам), обеспечивающая внедрение в ближайшей перспективе. Novelty = Нетривиальные идеи или комбинации кандидатов сверх канонических базовых подходов, с обоснованием, а также широта охвата кандидатов по пространству вариантов дизайна.

E.1.2 Пример исходного ответа (DToR_gpt-oss120B_local500; Тема: зонд датчика PFAS FET) — Claude 4 Opus (мышление)

⬇

## Оценка из Финал ДоТ Синтез Отчет

### Измерение 1: Актуальность к the Заявлено Цель

**Оценка: 9/10**

The report непосредственно адресует the core вопрос о который 2D наноматериалы и молекулярный зонды предложение наибольший потенциальность для PFAS обнаружение в FET-основанный датчики, предоставление всесторонний analysis из три distinct материал подходы (COF-MIP монослои, гибридный graphene/MoS2 гетероструктуры, и MXene-основа платформы) с конкретный производительность метрики и clear рекомендации.

### Размерность 2: Глубина и Строгость из Проверка и Бенчмаркинг Протоколы

**Оценка: 7/10**

Пока the report представляет впечатляющий производительность метрики (LODs вниз к 0.12 fg L-1, избирательность факторы >20), это признаёт критический gaps в длинный-term validation data (>100 циклы, >12 месяцы область тестирование) и полагается тяжело на теоретическое проекции скорее чем всесторонний экспериментальный валидация across all три ветви.

### Размерность 3: Ясность и Воспроизводимость из Методология

**Оценка: 8/10**

Те report предоставляет подробный материал спецификации, синтез parameters (e.g., HF-свободно MXene расслоение <5 MJ kg-1, roll-to-roll покрытие at >200 fibers h-1), и clear фальсификация steps, хотя некоторые advanced интеграция процедуры (монолитный FET архитектура объединение all компоненты) недостаток достаточный процедурный детализация for немедленное воспроизведение.

### Размерность 4: Практическая Применимость и Реализация Готовность

**Оценка: 6/10**

Несмотря на многообещающий масштабируемый производство claims и стоимость проекции ($0.35-1.00 per sensor), the отчет раскрывает значительный реализация барьеры включая ограниченный PFAS aptamer библиотеки, incomplete жизнь-цикл оценки, и недостаток из продемонстрировал монолитный интеграция из the большинство перспективный гибридный подходы.

### Измерение 5: Новизна и Широта из Кандидат Покрытие

**Оценка: 9/10**

The report демонстрирует исключительный широта с 40+ distinct материалы и методологии простираясь multiple 2D material классы (COFs, graphene гетероструктуры, MXenes), инновационный функционализация стратегии (молекулярная импринтинг, aptamer сопряжение, плазмонный усиление), и creative интеграция подходы (двойной-mode обнаружение, на-чип преднастроенность).

---

**В целом Оценка: 7.8/10**

Текст: The report excels в всесторонне адресация the исследование question с инновационный material комбинации и демонстрирует strong теоретический фундамент, но реализация готовность is ограниченный by подтверждено валидация пробелы и incomplete экспериментальный верификация из the большинство перспективный интегрированный подходы.

E.1.3 Пример исходного ответа (DToR_gpt-oss120B_local500; Тема: зонд датчика PFAS FET) — Gemini 2.5 Pro

⬇

An analysis и оценка из the Окончательный ToT Синтез Отчет is предоставлено ниже.

**1. Релевантность к the заявил objective**

Оценка: 10/10

Обоснование: The report directly и полностью адресует the core исследование вопрос, вершиной in a clear, приоритизированный list из кандидат материалы и сенсор архитектуры адаптированный к the FET платформа.

**2. Глубина и строгость из validation и бенчмаркинг протоколы**

Счёт: 10/10

Обоснование: The отчет последовательно использует количественное производительность метрики (LOD, чувствительность, стоимость) и includes a выделенный противоречие analysis раздел что критически оценивает и устраняет противоречивый утверждения from различный исследование ветви.

**3. Ясность и воспроизводимость о методология**

Счет: 9/10

Обоснование: The report обводки a clear, действенный проектирование framework в его заключение и использует хорошо-структурированный таблицы to прозрачно представлен сложный информация, хотя specific синтез протоколы are понятным образом beyond его высокий-уровень сфера.

**4. Практический применимость и внедрение готовность**

Оценка: 10/10

Обоснование: The analysis последовательно подчеркивает real-мир внедрение факторы такой как масштабируемый производство, стоимость-per-sensor, anti-обрастание стратегии, и датчик пожизненный, предоставление a clear дорожная карта from lab to сфера.

**5. Новизна и Широта из Кандидат Покрытие**

Оценка: 10/10

Обоснование: The report синтезирует результаты from три distinct и advanced материал classes (СОФы, гетероструктуры, MXenes) и охватывает a комплексный инвентарь из новелл зонды, функционализация химические механизмы, и сигнал усиление техники.

E.1.4 Пример необработанного ответа (DToR_gpt-oss120B_local500; Тема: датчик зонда PFAS FET) — Grok 3 (мышление)

⬇

### Оценка из the Отчет

1. **Значимость к the заявил objective**: Оценка 10/10 - The report непосредственно синтезирует и оценивает 2D наноматериалы и молекулярная зонды для PFAS обнаружение в FET sensors, идентификация top кандидаты как COF монослои, графен/MoS2 гетероструктуры, и MXenes while адресуя чувствительность, избирательность, и более широкий analyte потенциальность.

2. **Глубина и строгость из валидация и бенчмаркинг протоколы**: Score 7/10 - Пока the отчет бенчмарки производительность метрики как LODs и чувствительности против методики также как EIS, QCM-D, и SERS, это опирается на оn synthesized ветвь data без детализация Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты экспериментальный протоколы или статистический строгость, оставляя некоторые валидация пробелы unresolved.

3. **Ясность и воспроизводимость из методология**: Оценка 8/10 - Методологии для материал синтез, функционализация (e.g., MIP закрепление, фторосилан пассивация), и интеграция (e.g., roll-к-roll покрытие) являются описанный с specific параметры и производительность data, включение разумный воспроизводимость, хотя некоторые этапы как aptamer генерация недостаток шаг-by-шаг instructions.

4. **Практический применимость и реализация готовность**: Оценка 8/10 - The report подчеркивает масштабируемый производство, cost оценки (e.g., $0.35 пер сенсор), регенерация стратегии, и реал-мир вызовы как анти-обрастание, указывая strong готовность для Сфера развертывание, но notes пробелы in long-term валидация что could препятствовать немедленное внедрение.

5. **Новизна и Широта из Кандидат Покрытие**: Оценка 9/10 - The report охватывает a broad инвентаризация из установлено (e.g., graphene) и недостаточно изученный кандидаты (e.g., Nb4C3Tx MXenes, PFAS-specific аптамеры) с инновационный гибриды как MXene-AgNP композиты, выделение novel интеграции while синтезирование unique перспективы from multiple ветви.

E.1.5 Пример исходного ответа (DToR_gpt-oss120B_local500; Тема: зонд для датчика PFAS FET) — ChatGPT o3

⬇

Эксперт Оценивание of the "Окончательно ДоТ Синтез Отчет"

Размерность 1 - Актуальность to the заявил objective: 9/10

The report остаётся тесно сфокусированный on идентификация 2-D материалы и молекулярная probes для PFAS-целевой FET зондирование, непрерывно mapping каждое поиск back to чувствительность, селективность и масштабируемость цели.

Измерение 2 - Глубина и строгость из validation и бенчмаркинг протоколы: 7/10

Это cites количественный LODs, мобильность значения, стоимость метрики и сравнительный таблицы, еще long-term циклирование data, полностью жизнь-цикл оценки и multi-lab бенчмаркинг remain в основном перспективный скорее чем экспериментально продемонстрировал.

Измерение 3 - Ясность и воспроизводимость из методология: 8/10

Процесс flows (e.g., roll-к-roll покрытие, HF-свободно MXene синтез, двойной-mode FET конструирование) являются описанный с достаточный детализация и метрики to guide репликация, хотя конкретный экспериментальный parameters (e.g., полимеризация текущие потоки, импринтинг times) являются иногда omitted.

Размерность 4 - Практический применимость и реализация готовность: 8/10

The отчет высокие моменты масштабируемый производство маршруты и <$1 per-датчик издержки, но real-мир сфера испытания, регуляторный сертификация pathways и интеграция с переносимый electronics являются только touched на, указывая TRL 4-5 скорее чем развертывание-готово статус.

Dimension 5 - Новизна и широта из кандидат покрытие: 9/10

Это spans COF слои-монолиты, graphene/MoS2 гетероструктуры, multiple MXenes, nano-MIPs, аптамеры и плазмонный усилители--представляем несколько under-исследовали сопоставления--while артикулируя как каждый уникально достижения PFAS зондирование.

E.1.6 Пример исходного ответа (DToR_gpt-oss120B_local500; Тема: датчик зонда PFAS FET) — ChatGPT o4 mini high

⬇

1. Актуальность to the заявлено objective - Оценка: 10

The report непосредственно адресует PFAS-сосредоточенный FET датчик design по сравнение 2D наноматериал платформы, функционализация стратегии, и производительность метрики под заказ to ultra-sensitive, выборочный обнаружение.

2. Глубина и строгость из валидация и бенчмаркинг протоколы - Score: 8

Это представляет количественный LODs, связывание constants, и сравнительный отклонения против LC-MS/MS, но не хватает стандартизованный cross-лаборатория протоколы и детальный статистический анализирует.

3. Ясность и воспроизводимость из методология - Оценка: 6

Пока the report outlines материал choices, функционализация химические составы, и устройство архитектуры, это omits шаг-по-шаг экспериментальный процедуры и specific process parameters необходимо for exact репликация.

4. Практический применимость и реализация готовность - Оценка: 9

The обсуждение из масштабируемая roll-to-roll/печать методы, стоимость оценки (< $1 пер датчик), и anti-обрастание/регенерация стратегии демонстрирует strong real-world развертывание потенциальный.

5. Новизна и широта из кандидат покрытие - Оценка: 9

By опрос СОФ, graphene/MoS2 гетероструктуры, и diverse MXene композиции наряду с a широкий array из молекулярный зонды, the report предлагает a всесторонний и инновационный кандидат инвентарь.

⟦Table S1: Пример исходного ответа (DToR_gpt-oss120B_local500; Тема: зонд датчика PFAS FET; Проба №1) — матрица оценок между моделями (0–10).

Model	Relevance	Depth	Clarity	Applicability	Novelty	Overall (mean)
Claude 4 Opus (thinking)	9	7	8	6	9	7.8
Gemini 2.5 Pro	10	10	9	10	10	9.8
Grok 3 (thinking)	10	7	8	8	9	8.4
ChatGPT o3	9	7	8	8	9	8.2
ChatGPT o4 mini high	10	8	6	9	9	8.4
Average across models	9.6	7.8	7.8	8.2	9.2	8.5

E.2 A/ B Dueling Prompt ( Отчет DR A vs. Отчет DR B )

Отчет A: {Anonymous DR Report content}}

Отчет B: {Anonymous DR Report content}}

Как опытный материаловед, соединяющий исследования и пилотные линии, пожалуйста, ознакомьтесь с этими двумя отчетами. Мне нужно ваше профессиональное мнение: какой из них предлагает более ясную стратегическую дорожную карту высокого уровня для наших R&D в течение следующих шести месяцев? Нас особенно интересует отчет, который представляет хорошо структурированное повествование, систематически выявляет и расставляет приоритеты в пробелах знаний, а также обобщает осуществимые последующие шаги — помимо показателей эффективности. Пожалуйста, дайте мне вашу рекомендацию в краткой записке простым языком — по существу — и завершите ее четким решением, какой отчет поддержать, и единственной самой решающей причиной почему.

A/B Duel — Метаданные

⬇

A/B Дуэль: Метаданные

agent_a: ChatGPT_o3_DR

агент_b: DToR_gpt-oss120B_local500

испытание: trial_1

E.2.1 Исходный ответ с дуэлью (DToR_gpt-oss120B_local500; Тема: зонд датчика PFAS FET) — Claude 4 Opus (thinking)

⬇

**Материалы Ученый Оценка**

**Отчет A** предоставляет a всесторонний academic опрос но читает больше как a литература обзор чем a стратегический дорожная карта. Пока тщательный, это распространяется вместе с слишком многие материалы без clear приоритизация и не хватает конкретный next шаги for R&D планирование.

**Отчет B** обеспечивает exactly что вы нужно для стратегический планирование. Это систематически идентифицирует the

top-выполняя кандидаты (MXene с фторированная кисти для чувствительность, COF нанолисты для долговечность), разрешает ключ technical противоречия через specific архитектурный решения, и maps out clear производство pathways с roll-к-roll обработка. Большинство существенно, это явно идентифицирует remaining знания пробелы и предоставляет действенный таймлайны.

Отчёт B’s \"Противоречие Анализ

& Разрешение\" section одиноко is сто́ит это weight в gold--это устраняет the real инженерия торговля-offs ваш команда будет лицо (чувствительность vs. стойкость, производство скорость vs. качество) и предоставляет конкретный решения скорее чем just выявление issues.

The устройство архитектура рекомендация является конкретное и реализуемый: MXene channel + sub-5nm фторированное COF диэлектрик + MIP-COF оверлей слой. Это

дает ваш команда a clear target to работа к с определено производительность метрики и производство ограничения.

**Вердикт: Назад Отчет B**

**Решающий reason:** Отчёт B transforms разрозненный исследование вместо a конкретный R&D дорожная карта с приоритизированный материалы, specific архитектуры, и идентифицированный next шаги--exactly что вы нужно to распределять ресурсы и set вехи for the next шесть месяцы.\end{lstlisting}

% --- Судья: gemini ---

\подподраздел{Raw дуэлинг ответ (DToR\_gpt-oss120B\_local500; Тема: PFAS FET sensor probe) — Gemini 2.5 Pro}

\begin{lstlisting}

Здесь is мой рекомендация, straight к the point.

***

Команда,

После обзор оба documents, мой рекомендация is clear. Отчет A is an превосходно, всесторонний библиотека из the entire сфера--a ценный ресурс для введение a new исследователь. Отчёт B, однако, является a стратегический план.

Отчет B предоставляет the дорожная карта. Это doesn’t просто list материалы и их производительность; это синтезирует the

данные вместе с два конкурирующие но дополняющий перспективы. Это затем систематически разрешает the конфликты между им, который является где the real стратегический value lies. The report непосредственно ответы \"что должно мы do next?\" по предоставление a конкретный, multi-слоистый устройство архитектура к target и a приоритизировано list из знание пробелы что может быть converted directly в наша Q3/Q4 вехи. Он дает us a

strong, защищаемый point из view к build наш проект вокруг.

**Вердикт: Мы back Отчёт B.**

The single большинство решающее reason is его **Противоречие Анализ раздел.** Это transforms the document from a пассивный обзор внутрь an активный стратегия, показывая us не just что the вызовы являются, но как к resolve the технический торговля-offs для build a превосходящий устройство.\end{lstlisting}

% --- Судья: grok ---

\подподраздел{Raw дуэльная response (DToR\_gpt-oss120B\_local500; Тема: PFAS FET датчик probe) — Grok 3 (thinking)}

\begin{lstlisting}

После анализируя оба отчеты как a материалы учёный с пилотный-line опыт, Отчет B стоит out для это интегрированный синтез из перспективы, clear resolution из противоречия, и явный фокус на практическая торговля-offs как производство масштабируемость и устройство архитектуры. Это предоставляет a больше практически применимый framework by приоритизация real-мир развертывание проблемы (e.g., носить валидация в

пот) и рекомендующий specific гибридный дизайны что баланс чувствительность с долговечность.

**Вердикт: Назад Отчет B.** The single большинство решающее reason is его систематический идентификация и приоритизация из знания пробелы, парное с синтезированный next steps (e.g., многослойный гетероструктуры и process оптимизации), какой непосредственно guide нацеленный R&D over the next шесть месяцы сверх просто

метрики.\end{lstlisting}

% --- Судья: openai_o4 ---

\подподраздел{Raw дуэлянтское response — ChatGPT o4 mini высокий}

\begin{lstlisting}

Между the два, Отчет B предоставляет вы the sharper шесть-месяц R&D плейбук. Это размещает out два дополняющий проектирование перспективы, примиряет торговля-offs, точно определяет точный знания gaps (носить-test валидация, сложный-matrix исследования, environmental воздействие), и закрывает с a конкретное, многослойный устройство архитектура и приоритизированный материал-probe комбинации.

Вердикт: Back Отчет B--потому что это дистиллирует

the обзор в a clear, структурированное дорожная карта of что к build, test, и уточнить next.\end{lstlisting}

% --- Судья: openai_o3 ---

\подразделение{Raw дуэлинг response (DToR\_gpt-oss120B\_local500; Тема: PFAS FET датчик probe) — ChatGPT o3}

\begin{lstlisting}

Команда,

Оба отчеты дайте strong технический обзоры, но только один читает как a плейбук вы может hand to an R&D скрам завтра.

* Отчет A is an энциклопедический обзор: rich detail, многие примеры, но это stops ат описание что существует. Ты’d до сих пор нужно to дистиллировать приоритеты, rank open вопросы, и map эксперименты себя.

* Отчет B is написано как a дорожная карта: это организует результаты в тематическое "перспективы," списки кандидат стаксы, flags противоречия, уточняет торговля-offs, и--критически--заклинания out the remaining

знания gaps (длинный-term wear tests, matrix вмешательство, environmental влияние) как дискретный to-dos. The table of устройство архитектуры с дрейф/шум цели и the гибридный-stack рекомендация дать ан немедленное шесть-месяц эксперимент последовательность.

Вердикт: Back Отчет B--потому что это конвертирует the литература в a приоритизированный действие plan, not просто a обзор.\end{lstlisting}

\clearpage

\раздел{Сухой-Лаборатория Проверка Детали}\label{app:dry_lab_details}

Это приложение представляет the complete первый-принципы валидация для the агент’s top-выполняя кандидаты, перевод textual гипотезы в действенный, физически-привязанный к реальности симуляции. Вопреки the пять представительный задачи, мы используется DFT и AIMD to move за пределами textual scores и test real-мир жизнеспособность. A критический, повторяющийся insight возникла: вычислительно требовательный явное-растворитель AIMD

симуляции раскрыто производительность перевороты и кандидат отказы что были невидимый to проще static DFT вычисления, особенно для the battery binder и PFAS sensor задачи. Это успешный dry-lab верификация подтверждает что the DToR фреймворк может generate novel гипотезы что являются робастный к complex, real-мир операционный conditions\сноска{Сухой-lab simulations являются интерпретированный как относительный

ранжирование прокси under фиксированный протоколы (system размеры/ограничения и скоринг transforms перечисленные здесь) скорее чем definitive материалы предсказания; экспериментальный validation remains необходимый. Хотя dry-lab симуляции validate the физический правдоподобие из агент предложения, эти remain приближения; переход до wet-lab would вовлекать синтезирование top кандидаты как aptamer-функционализированный

graphene FETs for PFAS обнаружение, потенциально using робототехника платформы для высокий-пропускная способность тестирование to закрыть the исследование loop.}. The следующие разделы detail the full вычислительный методология и results for каждый из the пять валидация задачи.

\подраздел{DFT simulation настройки}

\подподраздел*{\textbf{Статический Симуляция}}

К симулировать the связка взаимодействия из diverse комбинации under

периодический граница conditions, мы работающих ab initio вычисления

используя параметры оптимизировано для точность и вычислительный

эффективность. The plane-волна энергия cutoff был set to 400 eV, и

spin-поляризованный плотность функциональный теория DFT с the

Perdew-Burke-Эрнцерхоф (PBE) функциональный был использованы to опишите

обмен-корреляция взаимодействия. The Бриллюэн зона интеграция

используемый a Гамма-centered 1 $\times$ 1 $\times$ 1 k-point grid и van der Ваалс

исправления были встроенный using the DFT-D3 метод to capture

дисперсия effects. Ionic расслабления были проведено с a сходимость

критерий из 0.02 eV/\AA{} для the усиливает, и the электронный структура

итерации были set to сходиться к an энергия difference из $10^{-4}$ eV.

Неявный растворитель field это добавлено для static симуляции по настройка the

диэлектрик постоянная at 78.4 если применимый (а именно исключая the ab

initio молекулярный dynamics (AIMD) с явный растворитель молекулы, и

the CO\texorpdfstring{$_2$}{2} sensor probe связывание сценарии). The моделирование of the плиты —

непосредственно проведено by human эксперт основанное на анонимно чтение the DR

report. К ensure справедливый сравнение, мы спросил the эксперт к создать same

число из кандидаты из каждый report (e.g. 4 from DR report A, и 4

from DR report B), и также pick один область обычно выбранное benchmark

материал/химическое для каждое из the 5 приложения. To предотвратить

взаимодействия между периодический images, мы также include $>$20 \AA{} вакуум gap

вдоль the z-, обеспечение a надежный сравнение между адсорбированная и

разделённый конфигурации.

\par

К быть отмечено,tTo управлять the конфигурационный сложность из эти разнообразные гетероструктуры и ensure последовательный высокий-пропускная способность бенчмаркинг, мы принял стандартизированный initial адсорбция геометрии адаптированный к the доминирующий взаимодействие механизм of каждая приложение. Для PFAS восприятие, который опирается on host--гость распознавание, линейная перфторированные цепочки были инициализировано вставка вертикально в the target полости (e.g., MIP pores или $\beta$-кулькдекстрин кольца) к mimic включение сложный формирование. Иначе говоря, для PFAS ухудшение и battery binder приложения, где максимизация межфазный контакт область является критический for катализ и адгезия, адсорбаты были размещённый в a плоский конфигурация параллельная to the неорганический подложка. Точно так же, для CO$_2$ зондирование, the molecule был инициализировано in a параллельный ориентация относительный к the поверхность к содействовать взаимодействие с активный sites. Пока мы признать что исчерпывающий конформационный выборка может быть раскрыть тонкий secondary minima, фокусировка на эти химически доминирующий взаимодействие modes предоставляет a consistent и непредвзятый baseline across all системы. Это подход is достаточный to validate the физическая правдоподобность из the агент’s предложения и установить a устойчивый относительный ранжирование для высокий-пропускная способность скрининг без the запретительный стоимость из global оптимизация.

\подраздел*{\textbf{Сцепление Энергия Соглашение.}}

Следующие a standard DFT convention (Физ. Rev. B, 2008, 77, 12) для

адсорбция on типичный изучал 2D материал системы как графен, мы

report the связка энергия $\Дельта E_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{bind}}$ из an adsorbate at a given покрытие

как

\begin{equation}

\Delta E_{\text{bind}} = (E_{\text{clean\_slab}} + E_{\text{адсорбат}}) - E_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{адсорбированный}}

\конец{equation}

где $E_{\text{adsorbed}}$ is the total энергия о the полностью расслабленный

adsorbate--слэб сложный (для некоторые приложения, bottom atoms из bulk

кристаллы являются замороженный и surface область являются free кроме того mimic реалистичный surface

взаимодействия), $E_{\text{clean\_слэб}}$ является the энергия из the соответствующий pristine

clean slab supercell, и $E_{\text{адсорбат}}$ является the энергия из the изолированно

adsorbate в the same суперячейка. All terms являются вычислено с идентичный

обмен--корреляция функциональный, plane-wave cutoff, и k-point mesh.

Пока заявил в частности (как для аккумулятор binder нормализованный к быть

связаться ареал), мы отчет $\Delta E_{\text{связывать}}$ для только один адсорбат в the slab

super ячейка для качественный сравнение. Это определение зеркала the

адсорбция-энергия конвенция широко использовалось for молекулы на типичный

субстраты как graphene или MXene (мы принять the term ‘‘связывание энергия’’

на протяжении). By это соглашение, a more положительный $\Delta E_{\text{bind}}$ обозначает an

экзотермический, благоприятный адсорбция (энергия выпущено по отношению к связывание).

\подподраздел*{\\textbf{Ab Initio Молекулярный Динамика (AIMD) Моделирование}}

Кому улучшить the физическая реализм из наш вычисления и особенно

учитывая растворитель эффект для surface события, мы встроенный явный

вода молекулы в the суперчейлл согласно to конформации определено

в preceding static симуляции (Мол. Syst. Des. Eng. 2025, 10,

345--356; Sci. Adv. 2025, 11, eadr9038) using an end-состояние протокол.

В частности, the оптимизированный адсорбированный конфигурация соответствующий

к $E_{\text{адсорбированный}}$ был использовался как the initial снимок для the

solvated \textit{адсорбированный} состояние, с явный вода молекулы добавлено

впоследствии. Для the \textit{вытащил} состояние, the adsorbate был Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты по at

минимум 15 \AA{} прочь from the ослабленный slab (e.g., graphene)---без

дополнительный геометрия оптимизация---и затем solvated under идентичный

conditions. Эти два уравновешенный состояния form the основание для напрямую

сравнение адсорбция энергетика в явный растворитель, consistent с

конец-состояние сравнения обычно применяемый в MD зонтик-сэмплинг исследования

(J. Phys. Chem. C 2023, 127, 5920--5930; ChemPhysChem 2018, 19,

690--702), и в line с benchmark явный-растворитель AIMD лечения

из металл/вода межфазный солвация (J. Chem. Phys. 2020, 152, 144703)

и first-принципы определения из межфазный гидратация free

энергии для адсорбаты on Pt (J. Химия. Phys. 2021, 154, 094107).

The water плотность было поддерживаемый ат 1 g cm$^{-3}$ (for battery binder,

растворитель композиция is различный как описанный в соответствующий раздел).

Наш цель был к сравните the эволюция of the system’s потенциальный

(электронный) энергия после уравновешивание (Электрокатализ 2017, 8,

577--586; Commun. Chem. 2022, 5, 76; J. Химия. Phys. 2020, 152, 144703;

J. Chem. Phys. 2021, 155, 134703).

Кому ensure что the растворитель принял физически содержательный конфигурации,

каждое system был first сбалансированное for 2 ps at 300 K с a 0.5 fs время

шаг. Temperature был регулируется через a Ланжевена термостат to подавить

постороннее инерциальный эффекты while сохранение canonical сэмплирование. После

равновесие, мы дальше выполнено a 3 ps производство run, from который мы

extracted время-усреднённая электронный потенциал энергии.

Мы следовательно отчет an явный-растворимый конец-состояние потенциальный-энергия gap,

обозначенный $\Дельта E_{\Сфера: Искусственный интеллект, когнитивные аспекты, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{pot}}^{\text{ES}}$ (AIMD), определено как the различие между the

время-усреднённое электронный возможный энергии из the

solvated \textit{адсорбированный} и \textit{вытащил} бассейны в идентичный клетки:

\Похоже, что вы не приложили сам текст для перевода. Пришлите, пожалуйста, содержимое (между `begin` и `end` или целиком), и я выполню перевод по указанным правилам.{equation}

\Delta E_{\text{pot}}^{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{ES}} \equiv \langle E_{\text{pot}} \rangle_{\text{извлечено}} - \langle E_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{pot}} \rangle_{\Сфера: Искусственный интеллект, когнитивная, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{ads}}.

\end{equation}

Если не иначе отмечено, все сравнения use the same supercell, water

count, ion композиция, термостатирование, и slab-электростатика

settings. Таким образом, the больше положительный $\Delta E_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{pot}}^{\text{ES}}$ (AIMD), the больше

энергично благоприятный the адсорбированный state---i.e., a потенциальный-энергия

аналоговый из the связка энергия---поскольку a negative $\Delta E_{\text{pot}}^{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{ES}}$ указывает

что явный солвация стабилизирует the извлечено состояние и сорбция это

неодобряемый.

\textbf{Сфера и ограничения из $\Delta E_{\text{пот}}^{\Сфера: искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты}}$:}\\

$\Delta E_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{pot}}^{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{ES}}$ is не a строго сошлось адсорбция free энергия. По

строительство это (i) пренебрегает конфигурационный и трансляционный энтропия;

(ii) folds растворитель перестройка и вода (или другое растворитель)--поверхность

обмен энергетика в the потенциальное-энергия baseline; и (iii)

зависит на конечное-time выборка о каждый бассейн скорее чем a обратимый

путь или an алхимический термодинамический цикл. Следовательно, его absolute

величины может reflect не только адсорбат--поверхность взаимодействия но также

большой-масштабирование различия in hydrogen-связь сети и long-range

электростатика связанный с сотни из явный waters. Несмотря на это,

потому что всё системы являются обработанный последовательно within the same AIMD

фреймворк, $\Delta E_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{pot}}^{\text{ES}}$ служит как a эвристический еще информативный сравнительный

описатель для явный-растворитель связывание тенденции across молекулы и

кандидат поверхности, раскрывающий растворитель-опосредованная, поверхность-зависимый

эффекты что являются не то captured в вакуум или неявный-растворитель

вычисления. Формальный свободный-энергия методы (зонтик дискретизация/PMF,

метадинамика, и double-разъединение/TI с standard-состояние и

slab-электростатика исправления) являются признано как the строгий маршруты

to $\Delta G$, как примерно иллюстрировано для межфазный адсорбаты at вода--Pt интерфейсы

(J. Хем. Phys. 2021, 154, 094107).

\textbf{Вычислительный осуществимость обоснование:}\\

Строгий свободно-энергия вычисления стать вычислительно запретительный для

наш системы, который регулярно превышать 500 atoms и include

многочисленные переход-metal центры в добавление до свет элементы; полностью

сходимость межфазный free-энергия ландшафты являются сверх реализуемо AIMD

временные масштабы under такой conditions. Обширный явный-растворитель AIMD

бенчмарки из metal/вода интерфейсы имеют также highlighted the

стоимостью из также симуляции (J. Chem. Физич. 2020, 152, 144703). In

этот контекст, the явный-растворитель end-state потенциальный-энергия gap

предоставляет a практический динамический компромисс: это captures ключ

растворитель-опосредованный эффекты absent from static DFT связывание энергии пока

оставшееся достижимый for large, химически реалистичный плиты. Таким образом,

хотя примерное, $\Delta E_{\Похоже, вы не добавили сам текст для перевода. Пришлите, пожалуйста, фрагмент, который нужно перевести, и я выполню перевод по вашим правилам.{pot}}^{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{ES}}$ предлагает выше точность и больше

интерпретирующий value чем чисто static vacuum или неявный-растворитель

описания для the скрининг-уровень сравнения emphasized в это

работа.

\clearpage

\подраздел{PFAS FET Датчик Зондирование}\label{dry_lab_PFAS_sens}

\подподраздел{PFAS\_2D\_FET\_Зонды}

Для the первый application: PFAS FET Датчик Probe.

The query как показано в \ref{app:темы} is:

\begin{lstlisting}

Который две-размерностная (2D) наноматериалы или молекулярный зонды--включая новый, недостаточно изученный кандидаты--предлагать the величайшее потенциальный к достичь высоко sensitive и выборочный обнаружение о per- и полифторалкильное соединение вещества (PFAS), или больше широко химический и биологический analytes, когда интегрированный в a сфера-эффект транзистор (FET)-основанное sensor платформа?

Лучшее коммерческое решение: ChatGPT_o3_DR.

Лучшее локальное решение без gpt-oss: DToR_qwq32B_local500.

Лучшая локальная gpt-oss решение: DToR_gpt-oss120B_local500.

Эксперт на основе трех отчетов предоставил 3 коммерческих кандидата, полученных из отчетов о DR (A1-A3), и 3 локальных кандидата, полученных из отчетов о DR non gpt-oss (B1-B3), а также 3 локальных кандидата, полученных из отчетов о DR gpt-oss (C1-C3), которые показаны на рис. S13:

A1 — 2D rGO + $\beta$ -Циклодекстрин ( $\beta$ -CD)

Шестиугольная пластина P1 при a = b = 36.90 Å, $\gamma$ = 120°, c = 45.00 Å (внутриплоскостная площадь $\approx$ 1179.19 Å2). Количества атомов (C/H/O = 483/102/94) указывают на 2D лист, полученный из графена, с кислородсодержащими дефектами (эпокси/гидроксил) на одной поверхности и карбогидратный тор, согласующийся с $\beta$ -CD, установленным над ним. Населенная толщина составляет $\approx$ 15.02 Å (вакуум $\approx$ 29.98 Å); плоскость 2D углерода расположена вблизи z $\approx$ 7.5 Å. $\beta$ -CD представляет тороидальную полость с проекционной шириной входа $\sim$ 15.3 Å в диаметре, ориентированную перпендикулярно базальной плоскости для захвата PFOS. Кислородные участки на rGO выступают правдоподобными точками закрепления, в то время как лежащая в основе 2D решетка остается в основном sp2 и планарной.

A2 — 2D MoS₂/2D гетеропереход hBN + полость (похожа на MIP) с метакриловой кислотой (MIP-подобная), связанная пиреном

Шестиугольная призма P1 при a = b = 28.44 Å, $\gamma$ = 120°, c = 46.13 Å (площадь $\approx$ 700.47 Å2). Состав показывает стек гетероперехода 2D MoS2/2D hBN, ограниченный с одной стороны ароматическим (пиренового типа) привязывающим фрагментом и кластером на основе метакриловой кислоты, формирующим полость, подобную $\beta$ -CD (органические C/H/O располагаются над диэлектриком). Заселенная толщина составляет $\approx$ 18.68 Å (вакуум $\approx$ 27.45 Å). Проецируемое отверстие полости имеет $\sim$ 13.6 Å в диаметре, расположено над hBN, чтобы PFOS мог подойти, не нарушая канал MoS2. Пиреновый линкер соединяет $\pi$ – $\pi$ с 2D крышкой, сохраняя ось полости приблизительно перпендикулярной к поверхности и обеспечивая электронную развязку от канала.

A3 — 2D фторографен (CF) пластина

Гексагональная P1 при a = b = 36.90 Å, $\gamma$ = 120°, c = 45.00 Å (площадь $\approx$ 1179.19 Å2). Стехиометрия C450F450 дает однослойный двумерный лист CF со сплющенной, похожей на кресло, чередующейся изогнутостью C–F; «толщина» твердого тела равна $\approx$ 3.26 Å, а вакуума $\approx$ 41.74 Å. Поверхность однородна и свободна от дополнительных адсорбатов, обеспечивая непрерывный фторированный интерфейс. Фтор расположен по обе стороны от двумерной углеродной решетки, создавая симметричное фторофильное окружение. Широкая латеральная протяженность сводит к минимуму краевые эффекты, что делает его пригодным для базовых сравнений адсорбции PFOS.

B1 — 2D Ti₃C₂O₂ MXene + methacrylic-acid (MIP-like) cavity

Шестиугольник P1 при a = b = 30.67 Å, $\gamma$ = 120°, c = 46.70 Å (площадь $\approx$ 814.63 Å2). Пленка представляет собой 2D Ti3C2 MXene с O-терминированием, несущую с одной стороны кластер метакриловой кислоты, организованный как полость, подобная $\beta$ -CD (дополнительные C/H/O расположены на больших z). Населенная толщина $\approx$ 16.14 Å (вакуум $\approx$ 30.56 Å). Вход в полость выступает $\sim$ на 13.5 Å в диаметре, располагаясь над поверхностью с O-терминированием, тогда как нижний слой MXene служит жесткой опорой. Односторонняя функционализация создает асимметричный интерфейс — электроотрицательные окончания и полярный край полости совместно стабилизируют взаимодействия головной группы PFOS.

B2 — 2D Graphene + метакриловая кислота (MIP-подобная) полость

Шестиугольная P1 с a = b = 36.90 Å, $\gamma$ = 120°, c = 45.00 Å (площадь $\approx$ 1179.19 Å2). Поддерживает 15 $\times$ 15 2D лист графена, на одной стороне, кластер метакриловой кислоты, организованный в полость, подобную $\beta$ -CD (C/H/O полностью над плоскостью углерода). Населенная толщина равна $\approx$ 9.58 Å при $\approx$ 35.42 Å вакуума. Полость имеет проекционный $\sim$ диаметр 13.6 Å односторонний карман, ориентированный перпендикулярно к базальной плоскости для взаимодействия с PFOS. 2D сп2 решетка остается плоской и проводящей, обеспечивая чистую платформу для разделения распознавания и преобразования.

B3 — 2D Graphene + фторированного фосфолипидного монослоя

Шестиугольная P1 при a = b = 36.90 Å, $\gamma$ = 120°, c = 45.00 Å (площадь $\approx$ 1179.19 Å2). Элементный состав (C/F/H/O с примесями N и P) согласуется с головными группами фосфатидилхолина, расположенными рядом с плоскостью 2D-графена, и перфторированными хвостами, простирающимися наружу, чтобы образовать плотную кисть. Заселенная толщина составляет $\approx$ 14.84 Å (вакуум $\approx$ 30.16 Å), а F простирается примерно по z $\approx$ 9.21–22.34 Å над базовой плоскостью. Сборка формирует градиент от гидрофильного к фторофильному, обеспечивая фторированную внешнюю поверхность для сродства хвостов PFOS. Липидные хвосты демонстрируют совокупный наклон относительно нормали к поверхности, что приводит к компактному, с низкой дефектностью, фторированному интерфейсу с одной стороны, тогда как с противоположной стороны остается оголенный графен.

C1 — 2D Ti₃C₂O₂ MXene + C12-PFOTS

Гексагональная P1 при a = b = 30.67 Å, $\gamma$ = 120°, c = 46.70 Å (площадь $\approx$ 814.63 Å2). Плёнка представляет собой двумерный Ti3C2 MXene с O-терминацией, несущий с одной стороны единственную молекулу перфтордодецилтриметоксисилана (C12-PFOTS), лежащую на поверхности. Более длинная перфторуглеродная цепь (-(CF2)9CF3) простирается на $\sim$ 17 Å над поверхностью, обеспечивая протяжённую фторофильную область. Населенная толщина $\approx$ 17.36 Å (вакуум $\approx$ 29.34 Å). По сравнению с более короткими вариантами PFOTS, хвост C12 обеспечивает большую площадь контакта по van der Waals, потенциально благоприятствуя связыванию более длинноцепочечных PFAS (PFOS, PFNA) по сравнению с более короткими (PFHxS). Якорь Si–O–C(Me)3 обеспечивает компактное присоединение при сохранении протяжённого фторированного интерфейса.

C2 — $\beta$ -Кетоэнамин-связанный 2D COF + MIP-резонатор (в плоскости)

Шестиугольная ячейка P1 при a = b = 58.18 Å, $\gamma$ = 120°, c = 48.02 Å (площадь $\approx$ 2931.40 Å2). Подложка представляет собой 2 $\times$ 2 $\times$ 1 сверхъячейку связанного ковалентного органического каркаса (COF) $\beta$ -кетоенамин, несущего ту же полость MIP, связанную с метакриловой кислотой, как в A2, теперь встроенную в плоскость COF на той же высоте z. Слой COF и кластер MIP сосуществуют латерально (z $\approx$ 4–12 Å), образуя гетерогенную 2D-поверхность, где полость функционирует как дефект/модификация поры в плоскости. Заселенная толщина $\approx$ 8.14 Å (вакуум $\approx$ 39.88 Å). Эта геометрия способствует латеральной диффузии PFAS вдоль COF к встроенному участку, ограничивая исключительно вертикальный доступ; более мелкий край может усиливать отбор по размеру/форме, направляя линейные PFAS в полость, при этом ухудшая доступ громоздких мешающих веществ (например, гуминовых веществ).

С3 — 2D Ti₃C₂O₂ MXene + C12-PFOTS + AgNP + PEDOT:PSS

Гексагональная P1 при a = b = 30.67 Å, $\gamma$ = 120°, c = 46.70 Å (площадь $\approx$ 814.63 Å2). Полученная из C1, O-терминированная 2D Ti3C2 MXene поддерживает одну цепь C12-PFOTS и дополняется (i) кластером наночастиц Ag43 $\sim$ 1 нм, расположенным рядом с протяженным фторуглеродным хвостом, что формирует плазмонные горячие точки вдоль цепи, и (ii) мономерами PEDOT и PSS в качестве проводящих прослоек для сохранения открытой структуры. Заполненная толщина $\approx$ 17.36 Å (вакуум $\approx$ 29.34 Å). Протяженная C12-цепь в сочетании с ближним полем AgNP создает более обширную область электромагнитного усиления, адаптированную для PFAS с длинной цепью (PFOS, PFNA). PEDOT:PSS препятствует повторной агрегации MXene и вводит сульфонатные участки (из PSS), которые могут модулировать селективность за счет электростатических взаимодействий с сульфонатными головными группами PFAS.

E.2.2 Оценка избирательности для производительности сенсора PFAS

Практическое внедрение датчиков PFAS требует не только прочного связывания с целевыми пер- и полифторалкильными веществами, но и селективного различения распространённых экологических интерферентов. Для количественной оценки этой селективности мы разработали унифицированную систему балльной оценки, применимую как к статическим расчётам DFT, так и к моделированию AIMD в явном растворителе с целью обеспечения прямого сравнения между вычислительными методологиями при сохранении термодинамической строгости. Вывод метрики селективности: фундаментальная метрика селективности $\Delta\Delta E$ количественно определяет различительное предпочтение связывания между соединениями PFAS и молекулами интерферентов:

\Delta\Delta E=\overline{\Delta E}_{\text{PFAS}}-\overline{\Delta E}_{\text{Interf}}

(1)

где $\overline{\Delta E}_{\text{PFAS}}$ представляет собой среднюю энергию связывания по четырем репрезентативным соединениям PFAS (PFOA, PFOS, PFNA и PFHxS), а $\overline{\Delta E}_{\text{Interf}}$ обозначает среднюю энергию связывания для конкурирующих видов (гуминовая кислота и SDS), как показано на рисунке S14. Более высокое положительное значение $\Delta\Delta E$ указывает на превосходящую селективность, то есть на более сильное предпочтительное связывание PFAS по сравнению с конкурирующими веществами. Для статических расчетов DFT значения $\Delta E$ соответствуют традиционным энергиям связывания $\Delta E_{\text{bind}}$ , вычисленным в условиях неявного растворителя (рисунок S15). В явнозаписанных моделированиях AIMD эти значения заменяются на разности потенциальных энергий конечного состояния, усредненные по времени $\Delta E_{\text{pot}}^{\text{ES}}$ , которые учитывают эффекты реорганизации растворителя и перестройки сети водородных связей, отсутствующие в статических расчетах (рисунки S16 и S17). Линейная рамка оценки селективности: чтобы обеспечить осмысленное сравнение между кандидатными системами и вычислительными методами, мы нормируем метрики селективности до единой шкалы оценок:

\text{Score}=100\times\left(1+\beta(\Delta\Delta E-\Delta\Delta E_{\beta\text{-CD}})\right)

(2)

где $\Delta\Delta E_{\beta\text{-CD}}$ представляет собой селективность $\beta$ -циклодекстрина, нашу референсную привязку для области исследования с установленной способностью связывания PFAS [wang2024reversible]. Параметр чувствительности $\beta=0.2$ был выбран для обеспечения надлежащего различения баллов при сохранении численной устойчивости на обоих наборах данных DFT и AIMD. Эта линейная трансформация сохраняет физический смысл разностей энергии, одновременно устанавливая $\beta$ -CD в качестве базового эталона (Score = 100). Сравнительный анализ селективности при различных моделях сольватации: Применение этой унифицированной системы оценивания выявляет поразительные различия между неявным и явным учетом сольватации. В статических расчетах DFT с неявным растворителем система A1 достигает наивысшего значения балла селективности 102.4, превосходя $\beta$ -CD базовый уровень (Figure S18). Кандидаты серии B также демонстрируют конкурентоспособность: так, B2 и B3 показали лишь незначительно превышающие 100 баллов.

Однако включение явных молекул воды и динамического отбора проб в моделировании AIMD существенно изменяет ландшафт селективности (Рисунок S19). Наиболее заметно то, что большинство значений для кандидатных систем ниже базовой линии $\beta$ -CD в явном растворителе, и лишь B1 достигает наивысшей относительной эффективности при 102.0. Это систематическое снижение значений отражает критическую роль растворителя: конкурентную адсорбцию воды на участках связывания, сильную гидратацию анионных головных групп PFAS и энтропийные штрафы, связанные с ограничением гибких молекул в адсорбированных конфигурациях. Изменение относительных рангов между расчетами статического DFT и AIMD — в частности, превосходящая эффективность кандидатов серии B при явной сольватации — подчеркивает важность включения динамики растворителя в оценку конструкций сенсоров. Хотя статические расчеты дают ценный первичный скрининг, результаты AIMD с явным растворителем более точно отражают сложное взаимодействие между взаимодействиями «адсорбат–поверхность» и перестройкой растворителя, определяющими селективность в реалистичных водных условиях. Последствия для проектирования сенсоров: расхождение между результатами для неявного и явного растворителя имеет существенные последствия для разработки сенсоров PFAS. Системы, оптимизированные только на основе статических расчетов DFT, могут демонстрировать сниженную селективность в водной среде из-за непредвиденных конкурентных эффектов со стороны растворителя. Напротив, кандидаты, которые кажутся менее подходящими в вакууме или при расчетах с неявным растворителем, могут извлечь выгоду из благоприятных взаимодействий, опосредованных растворителем, которые повышают их практическую селективность. Это подчеркивает необходимость многоуровневых вычислительных подходов, переходящих от эффективного статического скрининга к строгой валидации с явным растворителем для перспективных кандидатов.

Представленная здесь схема оценки линейной селективности обеспечивает количественный, термодинамически обоснованный показатель для оценки характеристик сенсора в рамках вычислительных методологий. Сохраняя согласованные обозначения и нормализацию при статических и динамических моделированиях, этот подход позволяет систематически сравнивать кандидатные материалы, сохраняя при этом физическую интерпретируемость лежащих в основе различий энергии.

E.3 PFAS Деградация

E.3.1 PFAS_Electro_Degradation

Для второго применения: деградация PFAS. Запрос, показанный в C,:

⬇

Который новый электрод материалы может достичь эффективный PFAS ухудшение под ambient водный электрохимический условия, доставка оба высокий минерализация и дефторирование rates? Что внутренняя мотивация properties--такой как PFAS адсорбция аффинность, реактивный oxygen species генерация capacity, и C-F связь активация энергия--должно be оптимизированный к руководство их открытие?

Лучшее коммерческое решение: Gemini_2.5_Pro_DR.

Лучшее локальное решение без gpt-oss — DToR_qwq32B_local500.

Лучшая локальная gpt-oss реализация: DToR_gpt-oss120B_local500.

Эксперт на основе двух отчетов предоставил 5 коммерческих кандидатов, выведенных из DR-отчета (A1–A5), 5 локальных кандидатов, выведенных из DR-отчета без gpt-oss (B1–B5), и 5 локальных кандидатов, выведенных из DR-отчета с gpt-oss (C1–C5), которые показаны на рис. S20:

Ti₄O₇ — Плиточный эталонный бенч слэб Pristine Magnéli (001)

Триклинная пластина P1 с a = 22.376 Å, b = 27.651 Å, $\gamma$ = 75.306°, c = 42.208 Å (площадь в плоскости $\approx$ 598.50 Å2). Число атомов (Ti/O = 256/448; всего 704) соответствует завершению Ti4O7 (001). Заполненная толщина составляет $\approx$ 12.13 Å (z $\approx$ 3.41–15.53 Å), оставляя $\approx$ 30.08 Å вакуума; середина пластины лежит вблизи z $\approx$ 9.47 Å. Поверхности стехиометрические и плоские, сохраняя связность плоскости сдвига Magnéli и пути металлической проводимости — наша базовая эталонная проводящая оксидная система для испытаний на PFAS. Заметки о построении/релаксации: 4 атомных слоя; нижние два закреплены. (Адсорбаты для последующих запусков были заданы $\approx$ на 3 Å выше наиболее выступающего сайта Ti, хвост параллельно поверхности.)

A1 — Ti₄O₇ (001) с сквозным порами + краевыми O-вакансиями

Триклинная ячейка P1 с a = 22.376 Å, b = 27.651 Å, $\gamma$ = 75.306°, c = 42.208 Å (площадь в плоскости $\approx$ 598.50 Å2). Число атомов (Ti/O = 249/437; всего 686) отражает удаление кластерa сверху и дополнительные вакансии O на ободке относительно стенда ( $\Delta$ = $-$ 7 Ti, $-$ 11 O). Заполненная толщина составляет $\approx$ 13.44 Å (z $\approx$ 3.00–16.45 Å), оставляя вакуум $\approx$ 28.77 Å; середина слоя (mid-plane) расположена около z $\approx$ 9.73 Å. Круглое сквозное отверстие было введено путем удаления атомов в цилиндре радиусом $\sim$ 5 Å из верхних слоев, что дало эффективное отверстие диаметром $\sim$ 1.0 nm; ободок обнажает слабо координированный Ti с локально уменьшенной O-средой, тогда как окружающая решетка сохраняет связанность shear-plane фазы Magnéli. Использованный протокол релаксации: нижняя половина зафиксирована; верхняя область (и любые адсорбаты) релаксирована так, что край поры доминирует в связывании/активации. Связь со стендом Ti4O7: та же решетка, векторы ячейки и базовое (001) завершение, как у исходного фрагмента стенда Ti4O7; нижняя область не изменена. Все правки локализованы на верхней поверхности (механическая обработка поры + вакансии O на ободке). Вдали от поры стехиометрия Ti/O на слой и топология shear-plane совпадают с эталоном стенда.

A2 — Pd-перекрывающий слой/Ti₄O₇ (001) композит (аморфный Pd на плите основания))

Триклинная ячейка P1 с a = 22.376 Å, b = 27.651 Å, $\gamma$ = 75.306°, c = 42.21 Å (площадь в плоскости $\approx$ 598.50 Å2). Количество атомов (Ti/O/Pd = 256/448/94; всего 798) указывает на стехиометрическую подложку Ti4O7, покрытую оверлеем Pd. Заселенная толщина составляет $\approx$ 16.45 Å (z $\approx$ 3.14–19.59 Å), оставляя $\approx$ 25.76 Å вакуума; середина плоскости при z $\approx$ 11.37 Å. Атомы Pd заполняют верхнюю террасу в широком диапазоне (нет отдельного островка), формируя разупорядоченную пленку с высотами Pd $\sim$ 16.12–19.59 Å (средняя $\approx$ 17.71 Å), то есть $\sim$ 3.1 Å над верхним слоем оксида (z ${}_{\text{ox,max}}$ $\approx$ 16.49 Å). Связь с Ti4O7-основанием: идентичная решетка и стехиометрия Ti/O по сравнению с исходной слэб-пластиной Magnéli (001); изменения ограничены оверлеем Pd на верхней поверхности (нижняя половина сохранена как на основании), без введения пор или вакансий по O.

A3 — Pd₅₅ кластеризация на Ti₄O₇ (001) (икосаэдрно-подобная наночастица на поверхности лабораторного столика)

Триклинная ячейка P1 с a = 22.376 Å, b = 27.651 Å, $\gamma$ = 75.306°, c = 42.21 Å (площадь в плоскости $\approx$ 598.50 Å2). Число атомов (Ti/O/Pd = 256/448/55; 759 всего) показывает подложку Ti4O7, поддерживающую компактную Pd-наночастицу. Заселенная толщина составляет $\approx$ 22.65 Å (z $\approx$ 3.23–25.87 Å), оставляя $\approx$ 19.56 Å вакуума; в середине по толщине при z $\approx$ 14.55 Å. Pd-кластер (первоначально икосаэдрический; разрешено релаксировать) (n = 55) локализован на верхней террасе с проекционной площадью основания $\sim$ 9.2 $\times$ 9.6 Å (максимальный радиус в плоскости $\approx$ 5.33 Å; проекционный диаметр $\approx$ 10.65 Å) и вертикальным размером, при котором вершина $\sim$ 9.7 Å находится над верхним слоем оксида (z ${}_{\text{ox,max}}$ $\approx$ 16.15 Å). Связь с подложкой Ti4O7: та же решетка и стехиометрический оксид, что и для исходного (001)-слэба; единственное изменение — одна Pd55-наночастица, закрепленная на верхней поверхности (без обработки пор или O-вакансий), при этом нижняя область сохранена как в эталонной подложке.

A4 — F-легированный рутил SnO₂ (110) slab (FTO, O $\rightarrow$ F замещение вблизи поверхности)

Ортогональная ячейка P1 с a = 26.8022 Å, b = 25.4880 Å, $\gamma$ = 90.0°, c = 42.1012 Å; площадь в плоскости $\approx$ 683.13 Å2. Метрики соответствуют 4 $\times$ 8 SnO2(110) надъячейке (a $\approx$ 4 $\times$ a ${}_{\text{(rutile)}}$ $\sqrt{2}$ , b $\approx$ 8 $\times$ c ${}_{\text{(rutile)}}$ ). Числа атомов (Sn/O/F = 256/497/15; 768 всего) указывают $\sim$ 2.9% замещение O $\rightarrow$ F в анионной подрешетке (15/512), то есть слабо легированную F «FTO»-пластину. Населенная толщина составляет $\approx$ 14.28 Å (z $\approx$ 4.32–18.60 Å), оставляя $\approx$ 27.83 Å вакуума; слои Sn занимают z $\approx$ 4.38–15.29 Å, тогда как узлы F ограничены узкой полосой вблизи верхней границы (z $\approx$ 16.33–17.17 Å; среднее $\approx$ 16.75 Å), прямо под самыми внешними гребнями O (O ${}_{\text{max}}$ $\approx$ 18.60 Å). Это помещает F в первую очередь в приповерхностные положения O на (110), сохраняя характерную протяженность мостиковых O/внутриплоскостных O в рутиле и обеспечивая слегка более богатое электронами, менее гидроксилированное верхнее окончание, ожидаемое для FTO.

A5 — B-дотированный четырехслойный графен

Шестиугольная P1; a = b = 19.68 Å, $\gamma$ = 120°, c $\approx$ 36.0 Å. Четыре графеновых слоя, уложенных с стандартным межслоевым расстоянием d(002) $\approx$ 3.35 $\pm$ 0.05 Å (три зазора $\rightarrow$ $\sim$ 10.05 Å толщины слоя). Замещающий B заключён в верхнем слое ( $\approx$ 10 ат% в этой плоскости; $\approx$ 2–3 ат% в целом), сохраняя каркас sp2. Оставшийся $\sim$ 26 Å — вакуум вдоль c, чтобы подавить взаимодействия изображений. Во время релаксации мы зафиксировали два нижних слоя; релаксировали два верхних (и любые адсорбаты).

B1 — F-привитый четырехслойный графен (согласованное межплоскостное расстояние; согласованный с A5)

Шестиугольный P1; сохраняй внутриплоскостные метрики A5 (a = b, $\gamma$ = 120°) без изменений и c $\approx$ 36,0 Å. Сложи четыре слоя графена со стандартным межслоевым расстоянием d(002) = 3,35 $\pm$ 0,05 Å (три зазора $\rightarrow$ $\sim$ 10,05 Å толщины слэба), а оставшиеся $\sim$ 26 Å — как вакуум вдоль c для развязки периодических изображений. Химический/легирующий рисунок точно такой же, как в A5 (без изменений в том, какие слои легированы/функционализированы); углеродная сеть остается в основном sp2. Тот же протокол релаксации, что и в A5: зафиксируй нижние два слоя; релаксируй верхние два (и любые адсорбаты). Связь с A5: одинаковая конвенция по расстояниям и бюджет по вакууму, как в A5, чтобы обеспечить сопоставимые энергии адсорбции и электростатику по серии графенов, при этом оставляя только различия допанта/функционализации для управления поведением.

B2 — 2D Ti₃C₂ MXene (O/OH-terminated)

Шестиугольная плита P1 при a = b = 24.536 Å, $\gamma$ = 120°, c = 36.700 Å (внутриплоскостная площадь $\approx$ 521.36 Å2). Число атомов (Ti/C/O/H = 192/128/128/114; всего 562) соответствует 64 ед. ф. Ti3C2 с полными двухсторонними окончаниями (128/сайт всего): $\approx$ 89% –OH (114 H) и $\approx$ 11% =O (14 O), распределено симметрично по граням (57 –OH + 7 =O с каждой стороны). Слой вакуума составляет около 27.21 Å. Пластина сохраняет характерное 2D ядро MXene (Ti–C–Ti тройные слои) со смешанными окончаниями O/OH, направленными наружу, что обеспечивает гидрофильную, электронно-проводящую поверхность, подходящую для тестов на адсорбцию (например, координация головной группы PFAS через домены –OH).

B3 — 2D MnO₂-как нанослой в стиле birnessite с редкими односторонними –OH

Ортогональная P1-ячейка при a = b = 29.3628 Å, $\gamma$ = 90.0°, c = 33.595 Å (площадь в плоскости $\approx$ 862.17 Å2). Количества атомов (Mn/O/H = 216/411/18; всего 645) согласуются с почти стехиометрическим слоем MnO2 с легкой гидроксилизацией (H:Mn $\approx$ 0.083). Заселенная толщина составляет $\approx$ 9.32 Å (z $\approx$ 0.82–10.14 Å), оставляя $\approx$ 24.28 Å вакуума. Интервалы, разрешенные по элементам: Mn $\approx$ 1.52–9.59 Å; O $\approx$ 0.82–9.61 Å; H локализован в $\approx$ 7.12–10.14 Å на внешней поверхности, что указывает на односторонние окончания –OH/водой на двумерном октаэдрическом листе. Примечание по релаксации: мы сохранили нижнюю половину зафиксированной и релаксировали верхнюю половину/адсорбаты; ожидается, что связывание головной группы происходит на поверхностных узлах –OH/O, при этом базовый Mn–O каркас остается устойчивым.

B4 — 2D MnO₂-как (в стиле бирнессита) нанослой, меньшая элементарная ячейка; односторонняя –OH

Ортогональная ячейка P1 при a = b = 22.000 Å, $\gamma$ = 90.0°, c = 33.610 Å (площадь в плоскости = 484.00 Å2). Состав (Mn/O/H = 150/285/12; 447 всего) снова отражает лист MnO2 с легкой гидроксилированием (H:Mn $\approx$ 0.08). Населенная толщина равна $\approx$ 9.40 Å (z $\approx$ 1.77–11.17 Å), оставляя $\approx$ 24.21 Å вакуума. Протяженности, разрешенные по элементам: Mn $\approx$ 2.12–10.48 Å; O $\approx$ 1.77–10.99 Å; H $\approx$ 8.43–11.17 Å, то есть группы –OH/вода локализованы на верхней поверхности двумерного листа. Релаксация соответствует B3 (нижняя область зафиксирована, верхняя свободна), чтобы сохранять корректное сопоставление в серии MnO2.

B5 — Graphene-capped 2D MXene (полученный из B2)

Непосредственно из B2 (те же векторы ячейки и завершения) добавляется однослойный лист графена, параллельный верхней поверхности MXene, и центрированный так, чтобы он полностью перекрывал плоскость ячейки. Начальное разделение MXene $\leftrightarrow$ graphene задают равным $\sim$ 3.35 Å (графит d(002)), без ковалентных связей — только контакт за счет ван-дер-ваальсовых сил. Графен является бездефектным sp2 и ему разрешают релаксировать в плоскости/по вертикали; MXene под ним следует протоколу релаксации B2 (низ закреплен, верх свободен). Вакуум вдоль оси c сохраняют как в B2, чтобы избежать связи между изображениями. Связь с B2: идентичная подложка; единственное изменение — слой графенового покрытия.

C1 — Многолегированный графен (совместное легирование N, S, B с дефектами двойного слоя))

Гексагональная P1; число слоёв и размеры сверхячейки (a = b = 19.68 Å, $\gamma$ = 120°, c $\approx$ 36.0 Å) сохранены согласованными с A5 и B1. Четыре графеновых слоя уложены с стандартным межслоевым расстоянием d(002) $\approx$ 3.35 Å (три зазора $\rightarrow$ $\sim$ 10.05 Å номинальная толщина слоя), модифицированные обширным легированием гетероатомами и инженерией дефектов по двум верхним слоям. Заселённая толщина охватывает $\sim$ 10.05 Å (z $\approx$ 4.00–14.05 Å), при этом структура намеренно размещена низко в сверхячейке, чтобы оставить $\sim$ 19 Å вакуума над верхней поверхностью, обеспечивая достаточно места для размещения адсорбата PFAS и последующей оптимизации геометрии. Многолегирующая архитектура сочетает пары B–N ближайших соседей ( $\sim$ 2.5 Å разделение для соседства с недостатком/избытком электронов) и пары N–S ближайших соседей ( $\sim$ 2.5 Å разделение для прямого переноса электронов и синергии с активными кислородными частицами), распределённые по обоим слоям: по верхнему слою (3 пары B–N + 3 пары N–S + 5 изолированных примесей) и по второму слою (2 пары B–N + 2 пары N–S + 3 изолированные примеси). В центре сверхячейки во верхнем слое вводится локализованный дефект «поры» ( $\sim$ 4 Å радиусный кластер, удалено 8 атомов), чтобы обнажить слабо координированные краевые участки и сформировать нанопору для улучшенного доступа молекул PFAS; это дополняется рассеянными одиночными вакансиями атомов (3% в верхнем слое, 5% во втором слое). Общая загрузка гетероатомами достигает $\sim$ 20–25% в двух верхних слоях (13 N + 8 S + 7 B из 495 суммарных атомов). Такая двухслойная функционализация обеспечивает много-модальные каталитические пути: модуляцию переноса электронов через пары B–N, генерацию окислительных радикалов через пары N–S, а также поляризацию связи C–F, обусловленную дефектами, вокруг центральной нанопоры и распределённых вакансий..

C2 — CuFe, легированный азотом₂O₄ spinel (111) с вакансиями кислорода

Триклинная плита P1 с a = 16.81 Å, b = 18.64 Å, $\gamma\approx$ 120° (плоскостная симметрия, похожая на шестиугольную), c = 47.58 Å (площадь в плоскости $\approx$ 313.5 Å2), представляющая расширение поверхности 2 $\times$ 2 для спинелевого завершения CuFe2O4 (111). Числа атомов (Cu/Fe/N/O = 64/128/11/240; всего 443) отражают замещение азотом в подрешетке поверхностного кислорода ( $\sim$ 11% поверхностных позиций O замещены на N) и контролируемое формирование вакансий кислорода (5 вакансий, $\sim$ 7% оставшихся поверхностных позиций O). Заполненная толщина составляет $\approx$ 14.58 Å (z $\approx$ 4.00–18.58 Å), оставляя $\approx$ 29 Å вакуума над верхней поверхностью для размещения адсорбата PFAS и явных-солвентных симуляций AIMD. Ориентация (111) демонстрирует поверхность смешанного завершения с координационной средой как октаэдрического Fe3+, так и тетраэдрического Cu2+. Легирование N распределено по подрешетке поверхностного кислорода, тогда как сконструированные вакансии O создают не полностью координированные центры металла (обнаженные позиции Fe3+/Cu2+).

C3 — Co-легированный Mn₃O₄ spinel (001) с кислородными вакансиями

Орторомбическая P1 пластина с a = 33.07 Å, b = 17.23 Å, c = 46.60 Å (площадь в плоскости $\approx$ 569.6 Å2), представляющая 3 $\times$ 3 расширение поверхности спинели Mn3O4 (001) при терминальном слое. Числа атомов (Co/Mn/O = 6/318/429; всего 753) отражают замещение кобальтом в подповерхностных октаэдрических узлах Mn ( $\sim$ 5% подповерхностного Mn) и контролируемое формирование вакансий кислорода (3 вакансии, $\sim$ 2.5% поверхностного O). Заселенная толщина составляет $\approx$ 13.60 Å (z $\approx$ 4.00–17.60 Å), оставляя $\approx$ 29 Å вакуума над верхней поверхностью для размещения адсорбата PFAS и явных-со-растворителем AIMD моделирований. Ориентация (001) демонстрирует трехмерный каркас спинели со смешанно-валентными координационными окружениями Mn2+/Mn3+, отличающимися от слоистых структур бирнессит-MnO2 (B3, B4). Легирование Co локализовано в подповерхностном слое (расположено между поверхностью и ядром, $\sim$ 2.5–5.0 Å от верхней поверхности), тогда как сконструированные O-вакансии распределены по поверхности.

C4 — ZnFe₂O₄ шпинель (111) с кислородными вакансиями

Триклинная P1 пластина с a = 23.86 Å, b = 20.66 Å, $\gamma\approx$ 120° (похожа на шестиугольную симметрию в плоскости), c = 50.33 Å (площадь в плоскости $\approx$ 493.0 Å2), представляющая расширение поверхности 2 $\times$ 2 для спинелевой (111) терминации ZnFe2O4. Число атомов (Fe/O/Zn = 256/506/128; 890 всего) отражает контролируемое формирование кислородных вакансий (6 вакансий, $\sim$ 5% от поверхностного O). заселенная толщина простирается на $\approx$ 17.33 Å (z $\approx$ 4.00–21.33 Å), оставляя $\approx$ 29 Å вакуума над верхней поверхностью для размещения адсорбата PFAS и явных-сольватных AIMD-симуляций. Ориентация (111) демонстрирует поверхность смешанной терминации с тетраэдрическим окружением Zn2+ и октаэдрическим окружением Fe3+. Инженерные O-вакансии распределены по поверхности, создавая недокоординированные металлические центры (оголенные узлы Fe3+/Zn2+).

C5 — Ti₃C₂ MXene/g-C₃N₄/Al₂O₃ кластерная гетероструктура

Шестиугольная пластина P1 при a = b = 30.67 Å, $\gamma$ = 120°, c = 51.70 Å (площадь в плоскости $\approx$ 704.6 Å2), представляющая трехслойную гетероструктуру с различными функциональными областями. Количества атомов (Al/C/H/N/O/Ti = 55/347/60/196/254/300; 1212 всего) отражают базовый слой Ti3C2 MXene со смешанной кислородной/гидроксильной терминализацией ( $\sim$ 70% =O, $\sim$ 30% –OH; 140 =O + 60 –OH групп распределены по обеим поверхностям), средний слой нитрида графитоподобного углерода (g-C3N4) (343 атома: 147 C + 196 N), полученный из расширения 7 $\times$ 7 суперячейки структуры s-C3N4 из литературы и с учетом растяжения $\sim$ 8.4% для согласования решетки MXene, расположен $\sim$ 3.35 Å над MXene, и октаэдрический кластер Al2O3 (109 атомов: 55 Al + 54 O), центрированный на верхней поверхности (расположен на 7 Å выше g-C3N4). Заселенная толщина охватывает $\sim$ 26.6 Å (z $\approx$ 5.62–32.22 Å), при этом сердцевина MXene занимает z $\approx$ 5.62–16.92 Å, слой g-C3N4 находится при z $\approx$ 20.27 Å, а кластер Al2O3 центрирован при z $\approx$ 27.27 Å.

E.3.2 Многометрика оценка катализаторов деградации PFAS

Эффективная каталитическая деградация соединений PFAS требует как сильной поверхностной адсорбции для концентрирования загрязнителей, так и достаточной активации исключительно стабильных связей C–F. Чтобы всесторонне оценить кандидаты в катализаторы для деградации PFAS, мы применили трехкомпонентную вычислительную структуру оценки, включающую статические энергии связывания, явную динамику в растворителе и энергию разрыва связей C–F, при этом Ti4O7 выступал в качестве эталонной справочной величины для домена [lin2018ti4o7].

Интегрированные показатели производительности

Оценка деградационной эффективности объединяет три взаимодополняющие метрики, которые отражают различные аспекты каталитического процесса. Во‑первых, энергия связывания $\Delta E_{\text{bind}}$ , полученная из статических расчетов DFT, количественно характеризует термодинамическую движущую силу для адсорбции PFAS на поверхностях катализатора (Рисунок S22). Сильное связывание обеспечивает достаточное покрытие поверхности и время пребывания для последующих реакций деградации. Во‑вторых, разрыв потенциальной энергии явным образом в растворителе $\Delta E_{\text{pot}}^{\text{ES}}$ , полученный из моделирования AIMD, показывает, как водная сольватация влияет на термодинамику адсорбции (Рисунки S26 и S27), учитывая конкурирующую адсорбцию воды и перестройку сети водородных связей, которую статические расчеты не могут воспроизвести. В‑третьих, энергия диссоциации связи C–F количественно определяет активационный барьер для стадии, ограничивающей скорость дефторирования, рассчитываемый путем смещения атомов фтора из адсорбированных конфигураций PFAS в изолированные положения внутри суперячейки (Рисунок S23). Рамочная схема оценивания деградационной эффективности

Для обеспечения количественного сравнения по этим различным метрикам мы применили унифицированную линейную систему оценивания:

\text{Score}=100\times\left(1+\beta\cdot\Delta_{\text{metric}}\right)

(3)

где $\Delta_{\text{metric}}$ представляет собой дифференциал производительности относительно базового уровня Ti4O7, определяемый как $\Delta\bar{E}-\Delta\bar{E}_{\text{Ti}_{4}\text{O}_{7}}$ для показателей связывания и $\Delta\bar{E}_{\text{Ti}_{4}\text{O}_{7}}-\Delta\bar{E}$ для диссоциации C–F. Здесь $\Delta\bar{E}$ — это среднее значение энергии, усреднённое по четырём репрезентативным соединениям PFAS (PFOA, PFOS, PFNA, PFHxS), а $\beta=0.2$ служит параметром чувствительности. Для показателей связывания (как для статического DFT, так и для AIMD) более сильная адсорбция (соответствующая большим по модулю энергиям связывания) приводит к более высоким оценкам. Для диссоциации C–F более низкие энергетические барьеры дают более высокие оценки, отражая более лёгкую активацию связи. Распределение энергий диссоциации C–F для различных соединений PFAS и модельных поверхностей демонстрирует существенную вариабельность (Рисунок S24), при этом средние значения лежат примерно в диапазоне от 2 до 6 эВ (Рисунок S25). Эта вариабельность подчёркивает важность усреднения по нескольким видам PFAS для получения репрезентативных показателей производительности, поскольку отдельные соединения могут проявлять предпочтительные взаимодействия с определёнными участками поверхности или кристаллографическими гранями. Анализ производительности по вычислительным методам

Применение этой системы оценки выявляет отчетливые различия в характере результатов по трем показателям оценивания. В статических расчетах DFT некоторые кандидаты демонстрируют превосходящее связывание PFAS по сравнению с эталоном Ti4O7 (Рисунок S28), причем материалы C-серии в целом обладают более сильными энергиями адсорбции. Однако включение явных эффектов растворителя в симуляции AIMD существенно меняет эти ранжирования (Рисунок S30): у большинства кандидатов снижаются значения оценок связывания из-за дестабилизирующих эффектов, опосредованных растворителем. Это расхождение подчеркивает критическую важность учета водной сольватации при оценивании эффективности катализатора в реалистичных условиях. Оценки активации связи C–F (Рисунок S29) дают дополнительные сведения о потенциале деградации. В частности, кандидаты, которые превосходят по связыванию, не обязательно обеспечивают эффективное расщепление связи C–F, поскольку эти свойства зависят от различных электронных и геометрических факторов. Тем не менее, материалы C-серии в среднем демонстрируют лучшие результаты с более низкими барьерами диссоциации F. Однако идеальный катализатор деградации должен сочетать сильную адсорбцию PFAS с эффективной активацией связей — компромисс, который количественно отражает наша многоцелeвая система оценки. Последствия для конструирования катализатора

Представленная здесь комплексная оценочная рамка показывает, что ни один из кандидатов не демонстрирует стабильно превосходство по всем показателям эффективности. Сильная поверхностная сорбция, хотя и является важной для улавливания PFAS, не гарантирует легкую активацию связи C–F. Аналогично, материалы, оптимизированные для диссоциации связей, могут страдать от слабой сорбции, особенно в водных условиях, где конкуренция со стороны растворителя является значительной. Эта многомерная картина эффективности подчеркивает необходимость сбалансированного дизайна катализатора, учитывающего как термодинамические (связывание), так и кинетические (активация связей) факторы, оцениваемые как при неявной, так и при явной сольватации, чтобы обеспечить надежные прогнозы эффективности для практических применений. Как указано в этом исследовании в сухой лаборатории, A3, B2, C3 и C4 могут быть перспективными кандидатами для дальнейшего изучения в мокрой лаборатории.

E.4 Battery Binder

E.4.1 LIB_Advanced_Binders

Для третьего применения: Battery Binder. Запрос, как показано в C, является:

⬇

Который advanced binder технологии являются быть разработано к улучшить the производительность и долголетие из lithium-ion аккумуляторы?

Лучшее коммерческое решение: ChatGPT_o4_mini_high_DR.

Лучшее локальное решение без gpt-oss — DToR_qwq32B_local500.

Лучшая локальная gpt-oss система: DToR_gpt-oss120B_local500.

Эксперт, основываясь на двух отчетах, предоставил 4 коммерческих кандидата, полученных из DR-отчетов (A1–A4), 4 локальных кандидата, полученных из DR-отчетов без gpt-oss (B1–B4), и 4 локальных кандидата, полученных из DR-отчетов с gpt-oss (C1–C4), которые показаны на рис. S31:

Описание катода NCM811

Чтобы создать стенд для испытаний связующего вещества литий-ионных аккумуляторов, мы смоделировали обрывающуюся пластину (104) слоистого катода LiNi0.8Co0.1Mn0.1O2 (NCM811) в периодической ячейке с a = 27.67 Å, b = 25.55 Å, c = 49.47 Å и $\alpha$ = $\beta$ = 90°, $\gamma$ = 72.51° (P1). Атомная пластина простирается на $\approx$ 12.1 Å вдоль нормали к поверхности, оставляя $\approx$ 37.4 Å вакуума, чтобы подавить паразитные взаимодействия; модель содержит 732 атома (Li174 Ni129 Co21 Mn21 O387). Для структурных релаксаций мы использовали большую поверхностную ячейку в плоскости (утроенную вдоль b) и зафиксировали нижние $\approx$ 1/3 атомов, чтобы имитировать объемное окончание.

PVDF benchmark binder

Для бенчмарка binder мы собрали полностью транс PVDF 10‑мер (–CH2–CF2–)10, с концевыми группами H/F, предварительно релаксировали в вакууме, а затем уложили его плоско на предварительно релаксированную подложку NCM811 (104), построенную и ограниченную в соответствии с нашим скриптом для сборки поверхности. В данной конфигурации остов цепи лежит примерно параллельно поверхности ( $\sim$ 30° от оси b), при ближайшем контакте полимер–поверхность $\sim$ 2.0 Å, протяжённости остова в плоскости $\approx$ 23 Å и проецируемом отпечатке выпуклой оболочки $\approx$ 125 Å2; фрагмент полимера вносит C20H21F21, доводя полную модель до 794 атомов.

A1 — PVPA (после связывания адсорбированных лигандов))

Был адсорбирован 10-мер поливинил‑фосфоновый кислотный (C20H32O30P10) на поверхности пластины NCM811 (104), с использованием тех же ограничений формирования поверхности, что и для нашей базовой пластины. Толщина фрагмента пластины составляет 12.58 Å, оставляя 36.88 Å вакуума; полная система содержит 824 атома (пластина = 732; полимер = 92). Полимерный остов PVPA лежит почти параллельно поверхности ( $\approx$ 34° от оси b), имеет протяженность 20.59 Å в плоскости и покрывает проекционную площадь, соответствующую выпуклой оболочке, 115.09 Å2. Атомы фосфонатного кислорода приближаются к поверхностным катионам: минимальный контакт O-Li составляет 2 Å, наряду с контактами O-O образования водородной связи с кислородом поверхности на расстояниях 2.5–2.9 Å.

A2 — Alg‑Ca (после связывания сорбентом adsorbed)

Алгинатовый 5‑мер с поперечными сшивками Ca2+ (блоки G–M; карбоксилаты протонированы, кроме тех, которые координируют Ca2+) был уложен приблизительно параллельно поверхности NCM811(104) при фиксированных нижних оксидных слоях. Суммарная модель содержит 834 атома (плита = 732; связующее = 102, $\approx$ C30H40O31Ca). Толщина плиты составляет 12.20 Å, а вакуум — 37.27 Å. Полимерная основа выстраивается почти параллельно поверхности (24.62° отклонения от b), имеет протяжённость 17.71 Å в плоскости и демонстрирует площадь отпечатка выпуклой оболочки 92.64 Å2. Контакты на границе в основном определяются неспецифической фисорбцией (наименьшее сближение ближайших тяжёлых атомов 3.23 Å; O ${}_{\text{binder}}$ -O ${}_{\text{slab}}$ 3.31–4.17 Å), при этом Ca2+ остаётся координированным внутри цепи (наименьшее расстояние Ca–O ${}_{\text{slab}}$ 7.13 Å).

A3 — Сульфонил-полиимид (S-PI) (после адсорбции связующего)

Фрагмент S‑PI с тремя повторами (C42H14N6O20S3, 85 атомов) был сконструирован по мотиву имид‑диангидрид/диамино‑сульфон и объединён со стандартной плитой NCM811(104) (всего 817 атомов; плита = 732, связующее = 85). Полимер расположен параллельно поверхности, ориентирован $37.49^{\circ}$ относительно $b$ ‑оси (основной внутриплоскостной размах 25.71 Å) с проецируемой площадью следа выпуклой оболочки 152.10 Å2. Эта конфигурация представляет разнесённую опорную схему: ближайший тяжёлый атом полимера находится на расстоянии 17.42 Å над верхним слоем оксида (нет межфазных контактов; кратчайшее O ${}_{\text{binder}}$ $\cdots$ O ${}_{\text{slab}}$ = 19.17 Å; O ${}_{\text{binder}}$ $\cdots$ Ni/Co/Mn = 19.75 Å).

A4 — ПТФЭ (–CF₂–CF₂–)₁₀ (после того как связующий адсорбент поглотил)

Декамер перфторэтилена (C20F42, 62 атома) уложен плашмя на поверхность NCM811(104), чтобы обеспечить не вступающий в реакцию базовый связующий компонент; совокупная модель содержит 794 атома (плита = 732; полимер = 62). Толщина плитной части составляет 12.20 Å при вакууме 37.27 Å. Ось цепи лежит под углом 39.61° относительно b в плоскости ab, при главном внутриплоскостном размахе 25.14 Å и приведённой площади отпечатка выпуклой оболочки 80.55 Å2. Контакты на границе являются дисперсионными: ближайшее сближение по тяжёлым атомам составляет 2.49 Å (F-Li); кратчайшие контакты F-O_slab и F-Ni равны 2.84 Å и 3.43 Å соответственно, тогда как расстояние C-O_slab $\geq$ составляет 3.63 Å и ни один контакт металл–фтор не опускается ниже 2.49 Å. Эти показатели задают ориентир PTFE для последующих сравнений $\Delta$ E_ads/A.

B1 — полимер на основе Schiff‑base (сшитый через имин полимер поли(альдегид‑амин)) (после связывания, адсорбированного на)

Фрагмент с иминной связью поли(альдегид-амин) (C40H28N4, 72 атома) адсорбирован на подложке NCM811(104); в объединенной модели содержится 804 атома (подложка = 732; связующее = 72). Оксидная часть имеет толщину 13.07 Å и вакуум 36.39 Å. Полимер лежит квазипараллельно поверхности, ориентирован на 36.97° от b в плоскости ab; его основная протяженность в плоскости составляет 34.60 Å, а проецируемая площадь выпуклой оболочки — 168.51 Å2. Контакты на границе показывают наименьшее сближение тяжелых атомов 2.57 Å (C-Li); иминный азот приближается к поверхностному кислороду на 2.35 Å, тогда как расстояния до катионных участков остаются большими (N-Li 3.68 Å; N-Ni 4.29 Å; N-Co 4.57 Å; N-Mn 4.76 Å).

B2 — лигнин + CNT (после того, как адсорбент связующего абсорбировал)

A $\beta$ ‑O‑4 димер лигнина был размещён на интерфейсе NCM811(104) и коразложен с сегментом кресельного (6,6) углеродного нанотрубного композита (8 осевых повторов; 192 C), ориентированного приблизительно параллельно террасе; главная ось в плоскости трубки повернута на 36.86° относительно b и имеет протяжённость 24.91 Å. Доля связующего в композите содержит C234H80O46. Оксидная доля имеет толщину 11.05 Å по нормали к поверхности и 38.42 Å вакуума, удержанного в объёме. Фенольные/эфирные кислородные атомы лигнина направлены к катион-терминированным гребням, при этом ближайшее сближение O-(Ni/Co/Mn) составляет 3.32 Å, что согласуется скорее с фисорбционными контактами типа H‑связи/ион‑диполь, чем с прямым хелатированием; CNT лежит плашмя, чтобы обеспечить протяжённый $\pi$ ‑контакт, с находящимся вблизи поверхности отпечатком на основе выпуклой оболочки углерода 84.71 Å2. В целом такая компоновка проверяет совместное закрепление: локализованная полярная адгезия от лигнина дополняется широкой дисперсионной связью от нанотрубки по всей террасе NCM811.

B3 — Гибрид лигнин–CMC ( $\beta$ ‑O‑4 лигнин димер + CMC мономер, Na⁺ обмененный) (после того как биндер адсорбировался)

Состав содержит 876 атомов (пластина = 732; связующее = 144 с C50H69O24Na1) и использует ту же платформу NCM811(104) и рецепт сборки (лигнин-димер, связанный водородной связью с CMC-единицей, карбоксилат представлен террасе). Органический комплекс лежит квази-параллельно поверхности, его главная ось в плоскости ориентирована на 38.18° относительно b, с протяжённостью остова 35.09 Å и проекционной площадью отпечатка по выпуклой оболочке 235.11 Å2. Доля оксида имеет толщину 11.09 Å с 38.38 Å вакуума вдоль c. Расстояния на подходе на границе указывают на смешанные ионные/координационные контакты: ближайшее сближение тяжёлых атомов 2.25 Å (O_binder-Li), при этом O_binder-Ni = 2.99 Å, O_binder-Co = 4.09 Å и O_binder-Mn = 4.29 Å; замещённый Na+ находится вдали от террасы (Na-O_slab = 6.80 Å). В ходе релаксаций нижняя треть атомов оксида фиксируется, чтобы смоделировать полубесконечную подложку.

B4 — поверхность ZIF-8 (Zn₄(2-mim)₈ cluster) (after binder adsorbed)

Мы аппроксимируем МОФ одним фрагментом грани клетки содалита — четырьмя узлами Zn, связанными восемью 2-метилимидазолатами, — так что интерфейс отбирает корректную локальную Zn–N4/ $\mu_{2}$ -имидазолатную химию, не навязывая искусственное соответствие пор и дальнодействующие решеточные ограничения периодического ZIF на конечной оксидной подложке. Внутренняя Zn–N-сеть сохраняется близко к ее собственной геометрии за счет мягких ограничений, тогда как расслабляется только межфасадная координата; один Zn ориентируют к поверхностному кислороду, задавая начальное Zn-O равным $\sim$ 2.10 Å, чтобы инициировать хемосорбцию и позволить вторичным контактам N-Li/C-O_slab подстроиться вокруг него. Таким образом эта электронейтральная кольцевая структура передает короткодействующую физику связывания, которая определяет адгезию при сопоставимой стоимости с фрагментами полимера, обеспечивая справедливое ранжирование по нормированной площади энергии адсорбции $\Delta$ E_ads/A для всех кандидатов.

С1 — олигомер поливинилового спирта (PVA)

Гибкая, водорастворимая олигомерная структура повторяющихся звеньев винилового спирта (–CH2CHOH–) с формулой C23H48O11 ( $\sim$ 11–12 повторов, подобных этиленгликолю; $\sim$ 82 атома). Плотные боковые группы –OH обеспечивают множество доноров/акцепторов водородных связей и основные по Льюису атомы кислорода, способные координировать катионы металлов (например, Li+), обеспечивая прочное формирование пленки и полярную адгезию поверхности при сохранении механической гибкости за счет частичной кристалличности и подвижности аморфной цепи.

C2 — гибрид CMC + водная полиуретановая дисперсия (WBPU)

Водная, взаимопроникающая сеть олигомера карбоксиметилцеллюлозы, смешанного с фрагментом мягкого сегмента WBPU (без ковалентного связывания). Представительный состав: C33H58Li5N4O23 (123 атома). CMC обеспечивает анионные участки –COO- (нейтрализованные Li+) и богатый гидроксильными группами остов для полярной адгезии; WBPU вносит доноры связей водородного взаимодействия уретановой группы –NH–CO–O– и пластичные сегменты для прочности и устойчивости к трещинообразованию. Гибрид является безрастворным (водным) и механически прочным за счёт водородного связывания и электростатических взаимодействий.

C3 — Литиированный олигомер нановолокон целлюлозы (LCNF)

Частично литированная фрагментная целлюлоза, C42H62Li8O41 (153 атома), аппроксимирующая $\sim$ 7 повторов глюкозы с селективной депротонизацией для формирования –O-Li+ участков ( $\sim$ 1 Li на глюкозу). Литирование вводит одиночные ионно-проводящие мотивы, сохраняя при этом часть –OH водородного связывания для механической целостности. Сеть –O-Li+ поддерживает координацию/перескоки Li+ вдоль полисахарида, потенциально снижая межфазное импеданс.

C4 — олигомер полиэтиленгликоля (PEG)

Линейный полиэфир HO–[CH2CH2O]12–H (C24H50O12; 86 атомов). Эфирные атомы кислорода обеспечивают донорно-акцепторную (по Льюису) координацию к Li+; низкое $T_{g}$ и высокая подвижность сегментов обеспечивают соответствие требованиям и ионосольватирующее/пластифицирующее поведение. PEG смешивается с карбонатными электролитами и обеспечивает широкую электрохимическую совместимость, действуя как гибкое, координирующее связующее/пластификатор на границе.

E.4.2 Характеристики адгезионного сцепления аккумуляторных бобинных связок

Механическая целостность катодов литий-ионных батарей критически зависит от прочности адгезии связующего, особенно в химически агрессивных условиях жидкой электролитной среды. Для оценки кандидатных материалов связующего, предложенных агентами DR (рисунок S31), мы применили тот же вычислительный подход, который описан для сенсоров PFAS, с энергиями связывания, нормированными по площади межфазного контакта $A$ , чтобы учесть различающиеся контуры взаимодействия полимер–катод. Площадь контакта определяли с помощью анализа выпуклой оболочки для атомов в пределах 3,5 Å от поверхности NCM811, что позволило напрямую сравнить прочность адгезии на единицу площади межфазного контакта. Статические расчеты DFT показывают благоприятную адгезию для всех кандидатов: площади-нормированные энергии связывания лежат в диапазоне от $0.015$ до $0.111$ eV/Å2 (рисунок S32). Эти значения, эквивалентные 0,24–1,78 J/m2, хорошо согласуются с установленными ориентирами для адгезии сухого интерфейса, такими как графен на SiO2 ( $\sim$ 0,45 J/m2) и контакты металл–оксид ( $\sim$ 2 J/m2). Кандидаты B4 и B1 демонстрируют наибольшую адгезию, тогда как эталонный PVDF находится в среднем диапазоне, что указывает на потенциальные улучшения по сравнению с текущими коммерческими связующими. Однако введение явного электролита батареи (EC:EMC:LiPF6 = 9:9:2:2 при 1,25 g/cm3) с помощью моделирования AIMD резко меняет картину адгезии (рисунки S33 и S34). Следуя тому же протоколу: 2 ps уравновешивания и 3 ps производственных прогонов, большинство кандидатов демонстрируют отрицательные $\Delta E_{\text{pot}}^{\text{ES}}/A$ -значения, указывая на то, что разделенный, смачиваемый электролитом интерфейс становится энергетически выгоднее связанного состояния. Эта индукцированная растворителем реверсия адгезии отражает конкурирующую адсорбцию молекул электролита на границе связующее–катод, нарушающую прямые взаимодействия полимер–поверхность. Выделяются четыре исключения в этом тренде: кандидаты A3 (сульфонил–полиимид), B2 (лигнин + CNT), C1 (PVA) и C2 (CMC + WBPU) сохраняют положительные $\Delta E_{\text{pot}}^{\text{ES}}/A$ даже при явном электролите, что указывает на устойчивую смачиваемую адгезию несмотря на наличие растворителя и скученность ионов в первом слое. Механистически S-PI (A3) содержит плотные имидные карбонилы и сульфоновые диполи, которые поддерживают контакты, соединенные Li+ и многодентатные, при этом ароматический остов обеспечивает широкие дисперсионные $\pi$ контакты; композит лигнин+CNT (B2) сочетает доноры фенольных/эфирных групп (ион–диполь/Н-связывание) с большим по площади интерфейсом CNT $\pi$ , помогающим компенсировать штрафы за вытеснение растворителя; PVA (C1) вносит высокую плотность гидроксильных групп, позволяющих многодентатное Н-связывание и координацию, опосредованную Li+, к поверхностным центрам при достаточной гибкости цепи, чтобы поддерживать конформный контакт; а гибрид CMC+WBPU (C2) объединяет адгезию внутреннесферного/ионно-парного типа от карбоксилатов CMC (O $\cdots$ Li/TM) с уретановым Н-связыванием и локальным исключением растворителя мягкими сегментами WBPU. Оценка эффективности, нормированная относительно базового уровня PVDF (рисунки S35 и 6), количественно описывает эту перестройку мокрого интерфейса: кандидаты, оптимизированные для сухой адгезии, могут демонстрировать худшие результаты в условиях рабочего электролита, тогда как другие показывают неожиданную совместимость. Эти результаты подчеркивают необходимость явного учета растворителя и расчетов с контролем потенциала при отборе связующих: поскольку межфазная энергетика в жидких электролитах определяется послойной структурой растворителя, скученностью ионов и потенциал-зависимой десольватацией, которые вакуумные или модели с неявным растворителем не могут корректно воспроизвести.

E.5 OER Stability

E.5.1 OER_Устойчивые_к_сточным_водам_коты

Для четвертого применения: устойчивость OER. Запрос, как показано в C,:

⬇

Идентифицировать the top наноструктурированный электрокатализатор материалы для driving the oxygen эволюция reaction (OER) в сложный сточные воды матрицы--таких как высокий-хлорид, высокий-органический-load, или multi-ion потоки--, for каждый the материал класс/композиция, исчерпывающе рассмотреть ключ производительность метрики (сверхпотенциал at 10 mA cm-2, Фарадеевская эффективность, стабильность), и the surface-инженерия стратегии что

конференция коррозия сопротивление и sustained активность в реал эффлюент условия.\end{lstlisting}

The лучший коммерческий решение is: \\textbf{Perplexity\_DR}.

Тhe лучшее local non gpt-oss solution is: \textbf{DToR\_qwq32B\_local500}.

The лучший local gpt-oss решение is: \textbf{DToR\_gpt-oss120B\_local500}.

The эксперт основанное on the два отчеты, предоставлено 4 коммерческий DR report derived candidates (A1-A4), и 4 локальный non gpt-oss DR отчет полученный кандидаты (B1-B4), и 4 local gpt-oss DR report полученный кандидаты (C1-C4), визуализировано in Рис.. \ref{fig:DL_4_candidates_final}:

\paragraph{\textbf{Бенчмарк 110 IrO\texorpdfstring{$_2$}{2}}}

Для benchmark material, мы создано большинство обычно видел, a стехиометрический rutile IrO\texorpdfstring{$_2$}{2} (110) слэб построен как a 6 $\times$ 3 в-plane supercell вдоль $\times$ [1$\bar{1}$0], с cell parameters \textbf{a = 19.06 \AA{}, b = 19.11 \AA{}, c = 45.18 \AA{}, \texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = \texorpdfstring{$\gamma$}{gamma} = 90° (P1)}, from который the подлежащие bulk метрики карта к \textit{a} $\примерно$ 4.51 \AA{} и \textit{c} $\approx$

3.18 \AA{}. The slab состоит из \\textbf{пять O--Ir--O трехслойные} (толщина $\approx$ 15.18 \AA{}) разделенное by \\textbf{$\примерно$ 30.0 \AA{}} из вакуум вдоль \textit{c}, yielding \textbf{симметричный, O-завершено (сближение-O) поверхности} что экспонировать the традиционный row мотив использовался для OER моделирование (смежный Ir$_{\text{cus}}$/O$_{\text{br}}$ сайты). The модель is \\textbf{strictly стехиометрический (Ir:O =

1:2; 180 Ir и 360 O)} и таким образом подходящее как a чистый, non-polar benchmark surface для вычислительный электрокатализ исследования.

\подпункт{\\textbf{A1 --- Ni--Fe слоистый double гидроксид (LDH) slab (basal)}}

A шестиугольная брусит-полученный Ni--Fe гидроксид (001) slab было сконструированный как a \textbf{6 $\times$ 6} в-plane supercell (базальная решетка $a_0\approx$3.126 \AA{}), с ячейка метрики \\textbf{a = b = 18.7560 \AA{}, c = 62.3777 \AA{}, \texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = 90°, \texorpdfstring{$\gamma$}{gamma} = 120° (P1)}. The model содержит \\textbf{три брусит-как $[M(OH)\_6]$} октаэдрический sheets stacked вдоль \textit{c} (36 cation sites per

лист), с a \\textbf{Ni:Fe = 81:27} распределение (\\textbf{25\% Fe на the cation субрешётка; 9 Fe per лист}), и в целом стехиометрия \\textbf{Ni$\_{81}$Fe$_{27}$O$_{216}$H$_{216}$ (540 атомы)}. Оба базальный поверхности are \textbf{симметрично гидроксильная группа-завершено} (H atoms составляют the outermost слои), получение a \textbf{стехиометрический, non-полярная} slab о толщина \textbf{$\approx$ 19.67

\AA{}}, разделенный по \textbf{$\approx$ 42.71 \AA{}} из vacuum внутри the \textbf{c} размерность; the \\textbf{inter-sheet метал-plane разделения} являются \textbf{7.87} и \textbf{7.81 \AA{}}, согласованное с LDH-как basal spacing. Это геометрия предоставляет эквивалентный top/bottom (001) terminations раскрывая M--ОХ мотивы подходящий для бенчмаркинг OER промежуточные представления on LDH поверхности.

\подпункт{\textbf{A2 --- фосфат-вставленный Ni--Fe LDH (001)}}

Сохранено идентичные to \\textbf{A1} в решётка и слэб строительство (6 $\times$ 6 шестиугольная базальный суперячейка; \textit{a} = \textit{b} = 18.756 \AA{}, \texorpdfstring{$\gamma$}{gamma} = 120°, \textit{c} = 62.3777 \AA{}; P1) с симметричный гидроксильный-завершено базальный поверхности, \textbf{A2 это derived from A1 по вставка протонированное фосфат молекулы (H\texorpdfstring{$_3$}{3}PO\texorpdfstring{$_4$}{4})} в the межслойный галереи---\textbf{18 PO\texorpdfstring{$_4$}{4} units per

supercell (9 per галерея)}, дающий an в целом композиция \textbf{Ni$\_{81}$Fe$_{27}$O$_{288}$H$_{270}$P$_{18}$} (684 atoms, Ni:Fe = 3:1). The вклинивание сдвиги the металл-plane разделения from $\sim$7.87/7.81 \AA{} (A1) to \textbf{8.89/8.90 \AA{}}, увеличение the slab толщина до \\textbf{22.22 \AA{}} и уходя \textbf{$\sim$40.16 \AA{}} о вакуум вдоль \textit{c}; the фосфор центроиды

sit близко the mid-плоскости из каждый галерея.

\подпункт{\textbf{A3 --- Ни single атомы на Sb-допированный SnO\texorpdfstring{$_2$}{2}(110)}}

A рутилe SnO\texorpdfstring{$_2$}{2}(110) slab был построенный как a \textbf{4 $\times$ 8} in-плоскость supercell вдоль \\textbf{[1$\bar{1}$0] $\times$ } (cell \textbf{a = 26.8022 \AA{}, b = 25.4960 \AA{}, c = 57.0945 \AA{}; \texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = \texorpdfstring{$\gamma$}{gamma} = 90°; P1}), включающая \textbf{четыре O--Sn--O трехслойные} (slab толщина \\textbf{$\примерно$ 12.72 \AA{}}) и \textbf{$\примерно$ 44.37 \AA{}} о вакуум. \textbf{Восемь Sb atoms}

заменить Sn \\textbf{в the subsurface cation plane (второй уровень from the top)}---\textbf{12.5 \%} внутри что plane, \\textbf{3.2 \%} в целом (\textbf{Sn$\_{244}$Sb$_8$}). The \\textbf{top (110) surface} несет \textbf{four изолированно Ni adatoms} упорядочено в a 2 $\times$ 2 array (\textbf{покрытие $\примерно$ 0.585 Ni nm$^{-2}$}), каждый принятие a \textbf{квадрат-пирамидальная NiO$\_5$} environment с

\textbf{four экваториальная Ni--O = 1.922 \AA{}} и \\textbf{один апикальный Ni--O = 2.033 \AA{}}; the \textbf{bottom поверхность} is left \\textbf{clean и O-завершено}. The full суперячейка стехиометрия — \\textbf{Sn$\_{244}$Sb$_8$Ni\texorpdfstring{$_4$}{4}O$_{508}$ (764 atoms)}.

\подпункт{\textbf{A4 --- Ce-допированный, oxygen-дефицитный spinel NiCo\texorpdfstring{$_2$}{2}O\texorpdfstring{$_4$}{4} slab (асимметричный ОГ завершение)}}

Смоделировано в \\textbf{P1} с an косой in-plane cell (\текстbf{a = 19.807 \AA{}, b = 30.866 \AA{}, \texorpdfstring{$\gamma$}{gamma} = 108.715°; c = 41.150 \AA{}}), дающий an в-plane область из \textbf{579.05 \AA{}$^2$ (5.79 nm$^2$)}; the атомарный слэб span \textbf{14.87 \AA{}} вдоль \textit{c} и is разделенный by \textbf{26.28 \AA{}} из вакуум. The supercell композиция is \textbf{Co$\_{188}$Ce$_8$Ni$_{92}$O$_{376}$H$_{96}$

(760 atoms)}, i.e., \textbf{Ni:Co $\approx$ 1:2.04} с \textbf{Ce at 2.8 at.\% из the cation субрешётка}. Относительный к the идеальный AB\texorpdfstring{$_2$}{2}O\texorpdfstring{$_4$}{4} стехиометрия для 288 cations, the model содержит \textbf{8 lattice-oxygen Вакансии} (\\textbf{x $\approx$ 0.021 в NiCo\texorpdfstring{$_2$}{2}O$\_{4-x}$}), соответствующий---if равномерно split между the два лица---to \textbf{$\approx$ 0.69 vac nm$^{-2}$} per surface.

\\textbf{Ce допанты занимать два эквивалентный подповерхностный cation planes} (четыре Ce per plane), расположенный \textbf{$\sim$4.31 \AA{} ниже the top} и \textbf{$\sim$5.32 \AA{} выше the bottom} surface, сохранение an в целом центросимметрический placement. Текст: \textbf{top surface это Co-rich и частично гидроксилированный} (внутри the outermost 2 \AA{}: \textbf{8 Co}, \textbf{20 O}, \textbf{28 H} \texorpdfstring{$\rightarrow$}{->}

\\textbf{$\approx$ 1.38 Co nm$^{-2}$} и \textbf{$\approx$ 5.5 OH nm$^{-2}$}), while the \\textbf{bottom поверхность is больше сильно гидроксильный-пассивированный} (\\textbf{64 H} на что сторона в целом, \textbf{$\approx$ 11.1 OH nm$^{-2}$}). Нет Ni appears внутри the outermost 2 \AA{} из the top surface (Ни находится в subsurface layers), yielding a \\textbf{Co--O(H) завершение} соответствующее для зондирование OER pathways

на spinel-type окислы.

\подпункт{\\textbf{B1 --- graphene-capped Ni--Fe LDH (001)}}

Сохранение the \\textbf{A1} lattice и slab строительство (6 $\times$ 6 шестиугольная basal supercell; \textit{a} = \textit{b} = 18.756 \AA{}, \texorpdfstring{$\gamma$}{гамма} = 120°, \textit{c} = 70.6707 \AA{}; P1), этот model is derived из \textbf{A1} по размещение a \textbf{single-слой графен оверлейер (128 C)} above the top базальный поверхность while сохранение the LDH стехиометрия \\textbf{Ni$\_{81}$Fe$_{27}$O$_{216}$H$_{216}$}

unchanged. The LDH состоит из \\textbf{три брусит-как [M(OH)$\_6$] sheets} (Ni:Fe = 3:1) с \\textbf{металл-plane разделения из 7.87 и 7.81 \AA{}}; оба basal лица являются гидроксильный-прекращено, но только the \textbf{top лицо} is покрыто по graphene. The LDH часть spans \textbf{19.67 \AA{}} вместе с \textit{c}; включая graphene, the занятой толщина is \\textbf{24.67 \AA{}}, уходя \textbf{46.00

\AA{}} из вакуум. The graphene sheet is по сути плоский (out-из-plane гофрирование $\меньше либо равно$ 0.001 \AA{}) и сидит \textbf{5.00 \AA{} выше the outermost гидроксильная группа-H слой} (\\textbf{5.97 \AA{} выше the самый верхний O уровень}), согласованный с a адсорбированный на поверхности (хемосорбированный), non-возмущённая interface что сохраняет the LDH surface структура; the \\textbf{bottom слои являются идентичный к A1} и оставайся обнаруженный/гидроксилированный

for бенчмаркинг.

\подпункт{\textbf{B2 --- graphene-ограниченный гематит (\texorpdfstring{$\alpha$}{alpha}-Fe\texorpdfstring{$_2$}{2}O\texorpdfstring{$_3$}{3}) (0001) с an апертура}}

A шестиугольная \texorpdfstring{$\alpha$}{alpha}-Fe\texorpdfstring{$_2$}{2}O\texorpdfstring{$_3$}{3}(0001) слэб был смоделировано in \textbf{P1} с \\textbf{a = b = 20.152 \AA{}, \texorpdfstring{$\гамма$}{gamma} = 120°; c = 60.339 \AA{}} (в-plane область \textbf{351.70 \AA{}$^2$ = 3.517 nm$^2$}), давая an атомистический толщина из \\textbf{32.20 \AA{}} разделенный by \textbf{28.14 \AA{}} из вакуум. The слэб is \textbf{стехиометрический Fe\texorpdfstring{$_2$}{2}O\texorpdfstring{$_3$}{3}} в the интерьер (\textbf{Fe$\_{384}$O$_{576}$}) с

\\textbf{оба лица hydroxyl-прекращено (H$\_{92}$ total)} to render a non-полярная модель. A \textbf{одиночный sp$^2$-углерод оверлей (C$\_{115}$)} caps только the \\textbf{top} лицо и включает a \\textbf{круговой $\sim$6 \AA{} ‘‘window’’} (апертура) что листья a patch из \\textbf{выявленный surface Fe sites} под the открытие; в другом месте the углерод sheet remains graphene-как, с его центроид

\\textbf{$\sim$2.84 \AA{} выше the outermost O plane} ($\approx$ \\textbf{2.04 \AA{} выше terminal H}) и a small out-из-plane гофрирование (\\textbf{$\Delta$z $\approx$ 0.91 \AA{}}). The \textbf{bottom} лицо remains гидроксилированный и подвергнутый воздействию for бенчмаркинг.

\подпункт{\textbf{B3 --- BaCo\texorpdfstring{$_{0.6}$}{0.6}Fe\texorpdfstring{$_{0.4}$}{0.4}О\texorpdfstring{$_3$}{3} перевскит (001), BO\texorpdfstring{$_2$}{2}\texorpdfstring{$\параллельный$}{||}BaO асимметричный slab}}

В line с Ветвь B’s хлорид-устойчивость цель, a стехиометрический Ba(B)O\texorpdfstring{$_3$}{3} слэб с mixed B-site cations (Ba$_{180}$Co$_{108}$Fe$_{72}$O$_{540}$; 900 atoms) был смоделированный in P1 с \textbf{a = b = 23.820 \AA{}, c = 49.850 \AA{}, \texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = \texorpdfstring{$\gamma$}{gamma} = 90°} (in-plane область \textbf{567.39 \AA{}$^2$ = 5.674 nm$^2$}). The атомарный слэб spans \textbf{19.31 \AA{}} вместе \textit{c} и is

разделённые by \\textbf{30.54 \AA{}} из vacuum. Окончания являются \textbf{асимметричный}: the \textbf{top} лицо is a \textbf{BO\texorpdfstring{$_2$}{2} слой} что это \textbf{Co-rich (Co:Fe = 27:9 $\approx$ 3:1)}, пока the \textbf{bottom} лицо is \textbf{BaO-завершено}; в пределах $\pm$2 \AA{} из the поверхности это соответствует до $\sim$\textbf{6.35 B nm$^{-2}$} (с $\sim$\textbf{12.69 O nm$^{-2}$}) at the top и

$\sim$\textbf{6.35 Ba nm$^{-2}$} at the bottom. Это строительство обеспечивает a коррозия-толерантный, \textbf{bare BO\texorpdfstring{$_2$}{2} активный surface} over a BaO поддержка, consistent с the initial design кратко к benchmark устойчивый oxide поверхности против хлорид атака.

\подпункт{\textbf{B4 --- коралл-миметический Ni--Fe LDH (001)}}

Сохранение the МХенe/LDH base идентичный to \textbf{A1/B1} (6 $\times$ 6 hex базальный supercell; \textit{a} = \textit{b} = 18.756 \AA{}, \texorpdfstring{$\gamma$}{gamma} = 120°, \textit{c} = 62.3777 \AA{}; P1), the ‘‘coral’’ морфология была введённый by удаление a single цилиндрическая pore ($\sim$8 \AA{} диаметр) через the \textbf{top два} гидроксид слои и гидроксил-пассивирование все ново подверженный воздействию edges, как указанный в the

design note; оба basal лица remain гидроксильная группа-terminated, с the \textbf{bottom лицо unchanged} из A1/B1. The результирующая модель является \textbf{Ni$\_{69}$Fe$_{25}$O$_{192}$H$_{216}$ (502 atoms)}, занимающий \textbf{26.58 \AA{}} вдоль \textit{c} с \textbf{35.79 \AA{}} вакуум (in-plane область \textbf{304.66 \AA{}$^2$}), yielding a non-polar, пористый benchmark что сохраняет the Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты базальный registry

while обнажая M--Ох rim сайты в рамках the апертура.

\подпункт{\textbf{C1 — FeNi-ООН/spinel нанопластина on N-допированный carbon лессация с аморфное Al–O/Ti–O оверлей-слой}}

Получено from \\textbf{B1} (Ni--Fe LDH на graphene), сохранение the шестиугольная \\textbf{6 $\times$ 6} базальный supercell (\textbf{a = b = 18.756 \AA{}, \texorpdfstring{$\gamma$}{gamma} = 120°; c $\approx$ 70.6707 \AA{}; P1}). The graphene поддержка это \textbf{N-допированный} все заменяя \\textbf{6 C \texorpdfstring{$\→$}{->} N} (\textbf{$\sim$4.7\%} из 128 C) at распределённый sites (пиридиновая (пиридиновая форма)/пирролический character), пока the LDH слой remains

\textbf{Ni$_{81}$Fe$_{27}$O$_{216}$H$_{216}$}. The обнаженный LDH лицо is ограниченная по \textbf{8 аморфный Al--O/Ti--O кластеры} (\textbf{4} небольшой, 4--6 atoms; \textbf{4} medium, 6--9 атомы) ат \textbf{$\sim$25--30\%} ареал покрытие; кластеры sit \textbf{$\sim$2.5 \AA{}} выше the surface, являются spaced \\textbf{$\ге$ 3.5 \AA{}} кроме, и Показать \\textbf{Al--O $\sim$ 1.8 \AA{}} и \\textbf{Ti--O $\sim$ 1.9

\AA{}} с \textbf{$\pm$15\%} искажения (SALD-как острова что оставьте lateral windows/edge сайты доступный). После расслабление the oxide острова form межфазный связи к LDH гидроксильные группы while the N-допированный graphene настраивает registry. В целом композиция: \\textbf{722 atoms} (\textbf{C$_{122}$N$_6$Fe$_{27}$Ni$_{81}$O$_{251}$Al$_5$Ti$_{14}$H$_{216}$}), a тщательно верифицируемый модель из нанопластина/carbon композиты

с выборочный SALD защита.

\подпункт{\\textbf{C2 — Fe single атом на Nb-допированный анатаз TiO\texorpdfstring{$_2$}{2}(101) с аморфный Al–O/Ti–O слой-надстройка}}

An анатазе TiO\texorpdfstring{$_2$}{2}(101) slab была сделанный как a \textbf{2 $\times$ 4} lateral supercell (\\textbf{b $\approx$ 15.13 \AA{}} после удвоение), включающей в себя \textbf{5 трехслойные} (\textbf{слэб thickness $\approx$ 17 \AA{}}) и \\textbf{$\пример$ 15 \AA{}} вакуум (\textbf{P1}). \textbf{Четыре Ti} в the first подповерхностный cation plane являются заменено по \textbf{Nb} (\\textbf{$\sim$2.5 at.\%}); a \textbf{поверхность

объединение-O вакансия} is создано \textbf{$\sim$1.08 \AA{}} from the nearest подповерхностный Nb. A \textbf{single Fe adatom} anchors at это вакансия (пятиступенчатый/bridge мотив). The поверхность is ограниченный сверху от \\textbf{7 аморфный Al--O/Ti--O кластеры} (\\textbf{4} small, 4--6 atoms; \textbf{3} medium, 6--9 атомы) at \textbf{$\sim$25--30\%} покрытие, каждый \textbf{$\sim$2.5 \AA{}} выше the surface и \textbf{$\ge$

3.5 \AA{}} отдельно, с \textbf{Al--O $\sim$ 1.8 \AA{}} и \textbf{Ti--O $\sim$ 1.9 \AA{}} (\\textbf{$\pm$15\%} искажения). Кластеры maintain \textbf{$\ge$ 4 \AA{}} lateral clearance к the Fe site до preserve доступность; расслабление даёт межфазный Al--O--Ti linkages while the Fe координация адаптируется к the вакансия environment.

\подпункт{\textbf{C3 — Похоже, вы не прислали сам текст для перевода. Пришлите, пожалуйста, исходный фрагмент после строки «Ru», и я переведу его по вашим правилам. single атом на W-допированный анатаз TiO\texorpdfstring{$_2$}{2}(101) с аморфный Al–O/Ti–O оверлей}}

Построено аналогично к \textbf{C2}: анатаз TiO\texorpdfstring{$_2$}{2}(101) \textbf{2 $\times$ 4} lateral суперячейка (\textbf{b $\approx$ 15.13 \AA{}}), \\textbf{5 три слоя} (\textbf{$\approx$ 17 \AA{}} thick) и \textbf{$\примерно$ 15 \AA{}} вакуум (\\textbf{P1}). \textbf{Четыре Ti} в the first подповерхностный cation plane являются заменено by \textbf{W} (\textbf{$\sim$2.5 at.\%}); a \textbf{surface сближение-O вакансия} является

размещено \textbf{$\sim$1.08 \AA{}} from the nearest подповерхностный слой W. A \textbf{single Ru adatom} якоря at the вакансия. The сфера carries \textbf{8 аморфный Al--О/Ti--O кластеры} (\textbf{4} small, 4--6 atoms; \textbf{4} medium, 6--9 атомы) at \\textbf{$\sim$25--30\%} покрытие, каждое \textbf{$\sim$2.5 \AA{}} выше и \\textbf{$\ge$ 3.5 \AA{}} в стороне, с \textbf{Al--O $\sim$ 1.8 \AA{}} и

\\textbf{Ti--O $\sim$ 1.9 \AA{}} (\\textbf{$\pm$15\%} искажения) и \\textbf{$\ge$ 4 \AA{}} боковой разрешение доступа to the Похоже, вы не указали сам текст для перевода. Пришлите, пожалуйста, исходный фрагмент (начиная с «Ru …»), и я переведу его на русский, соблюдая ваши правила. site. Расслабление forms межфазная Al--O--Ti связи while сохранение доступность о the \\textbf{Ru single-атом} OER site.

\подпункт{\\textbf{C4 — Градиент-допированный NiCo\texorpdfstring{$_2$}{2}O\texorpdfstring{$_4$}{4} spinel (111) с аморфный Al–O/Ti–O overlayer}}

Основано на the \textbf{A4} спинель слэб, смоделированный вдоль \textbf{(111)} с in-plane метрики \textbf{$\sim$20 \AA{}} и \\textbf{c $\approx$ 41 \AA{}} (\textbf{$\sim$15 \AA{}} вакуум; \textbf{P1}). The \textbf{Ce допанты} в A4 являются заменено по a \\textbf{gradient примесь распределение}: \\textbf{2 Cr} near the surface (\textbf{z $\approx$ 11.76 \AA{}}), \textbf{4 Ti} in mid-подповерхностный (два at \\textbf{z

$\approx$ 11.76 \AA{}}, два at \\textbf{z $\approx$ 6.97 \AA{}}), и \\textbf{2 Mg} глубже (\textbf{z $\approx$ 6.97 \AA{}})---\\textbf{$\sim$1\%} combined допанты in the \\textbf{760-atom} base, обогащение the \textbf{BO-rich} surface для коррозия tolerance; существующее \textbf{решетчатая структура O-вакансии} from A4 являются retained. The поверхность is capped by \textbf{8 аморфный Al--O/Ti--O clusters} (\\textbf{4}

small, 4--6 atoms; \\textbf{4} medium, 6--9 atoms) at \\textbf{$\sim$25--30\%} покрытие, каждый \textbf{$\sim$2.5 \AA{}} выше и \\textbf{$\ge$ 3.5 \AA{}} в стороне, с \textbf{Al--O $\sim$ 1.8 \AA{}} и \\textbf{Ti--O $\sim$ 1.9 \AA{}} (\textbf{$\pm$15\%} искажения), представление a 3--5 nm наноламинация защита мотив. После расслабление, кластеры форма Al--O--(Co,Ni) связи while the донорная примесь

gradient приспосабливает решётка/электронный модуляция. Итог составление: \textbf{814 atoms} (\\textbf{Co$_{188}$Ni$_{92}$Cr\texorpdfstring{$_2$}{2}Mg\texorpdfstring{$_2$}{2}Ti$_{18}$O$_{411}$Al$_5$H$_{96}$}); the \\textbf{(111)} surface само по себе предоставляет the primary OER sites, с the градиент и ALD слой обеспечение меблировкой дополняющий стабильность.

\textbf{Металл Сайт Выборы}

Рассматривая the сложность из каждая slab создано основанный на DR report, мы принять решение to select from каждый слэб только представительный sites for дальше исследование:

\подпункт{\textbf{IrO\texorpdfstring{$_2$}{2}}}

On IrO\texorpdfstring{$_2$}{2}(110) мы target the canonical пятисторонний Ir терраса site (Ir$_{5c}$) on the top поверхность cation row. Его local геометрия is square-пирамидальный, с четыре соплоский поверхность O соседи at 2.00 \AA{} и a single подповерхностный апикальный O at 1.97 \AA{}; the missing апикальный лиганд points в направлении вакуум. Расположенный в the outermost O--Ir--O трислойный, это терраса Ir is the standard benchmark адсорбция site

на рутилe-type оксиды и это выбранное to probe внутренняя мотивация, defect-free реактивность under хорошо-определено координация.

\подпункт{\textbf{A1}}

Один A1 мы probe две "регулярный" терраса cations на the \\textbf{top basal (001) surface}---один Fe и один Ni расположенный в the центральная, шаг-свободный регион. Оба экспонат рядом-идеальный октаэдрическая \textbf{M(ОХ)$\_6$} координация с a 3-up/3-down O расположение; их среднее значение M--О расстояния являются \textbf{2.09 \AA{} (Fe)} и \\textbf{2.07 \AA{} (Ni)}, и the в-plane metal--metal spacing отражает the базальный lattice

at \\textbf{$\sim$3.13 \AA{}}. The Fe site сидит в a Ni-rich cation shell (изолированно Fe среди Ni), поскольку the Ni site has a типичный mixed соседство ($\sim$4 Ni, 2 Fe), последовательный с the $\sim$3:1 Ni:Fe слой композиция. Эти терраса позиции были выбранное как \textbf{представительный, bulk-как ссылки}---хорошо согласованное и далеко из edges или дефекты---предоставление устойчивый базовые уровни для

адсорбция бенчмаркинг на LDH поверхности.

\подпункт{\textbf{A2}}

In \\textbf{A2} мы фокус on два regular первый-слой cations на the \textbf{top базальный (001) поверхность}---один Fe и один Ni---выше the фосфат-заполненный межслойный. Оба сайты are октаэдрическая с \\textbf{3 O выше / 3 O ниже}; the Fe демонстрирует \textbf{Fe--O $\approx$ 2.06/2.01 \AA{}} (выше/ниже) и the Ni \textbf{Ni--O $\approx$ 2.10/2.07 \AA{}}. Относительный к the subsurface фосфат, the Fe располагается

\\textbf{почти on-axis} over a ПО\texorpdfstring{$_4$}{4} unit (\textbf{$\Delta$z $\approx$ 4.30 \AA{}}, боковой offset \textbf{$\approx$ 0.71 \AA{}}), поскольку the Ni is \textbf{боково off-ось} from the nearest PO\texorpdfstring{$_4$}{4} (\textbf{$\Delta$z $\пример$ 4.54 \AA{}}, латеральный \textbf{$\approx$ 2.95 \AA{}}). Эти два surface металлы являются выбранное как представительный, симметрия-неэквивалентный терраса sites что sample

\textbf{distinct межслойный электростатический среды} (согласованный vs off-axis к PO\texorpdfstring{$_4$}{4}) while избегая edges/дефекты---предоставление a solid, structure-основанное обоснование для бенчмаркинг металл-identity и фосфат-близость эффекты.

\подпункт{\\textbf{A3}}

Для A3, на the top SnO\texorpdfstring{$_2$}{2}(110) терраса, the представительный site состоит из a одиночный Ni атом anchored выше a связывание-O row, внедрение a square-пирамидальный NiO$_5$ geometry с четыре поверхность O$_{br}$ лиганды в the экваториальный plane (Ni--O $\approx$ 1.92 \AA{}) и один апикальный O beneath (Ni--O $\approx$ 2.03 \AA{}); the Ni сидит $\sim$0.19 \AA{} ниже the O$_{br}$ plane и $\sim$2.03 \AA{} выше the

апикальный O. The два ближайшее подповерхностный Sn cations на смежный cation rows являются каждый connected to the адатом через a Sn--O$_{br}$--Ni bridge (Sn--O $\approx$ 2.07 \AA{}; Ni--Sn $\approx$ 3.12 \AA{}). Расположенное оn the upper, flat терраса в стороне от шаг edges, это мотив совпадения ваш Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты "Ni единая-atom соседний to Sn через сближение O" note и is выбранный как a представительный активное site поскольку это

захватывает the canonical O$_{br}$--M$_{cus}$ environment из rutile(110) пока предоставление количественно хорошо-определено, низкий-покрытие координация идеал для бенчмаркинг OER промежуточные результаты.

\подпункт{\\textbf{A4}}

Для A4, мы имеют выбрано a total из 6 Co/Ni атомы. Включено the top Co--О(H)-завершено лицо о the Ce-допированный, oxygen-недостаточный NiCo\texorpdfstring{$_2$}{2}O\texorpdfstring{$_4$}{4} плита, мы рассмотрим два Ce-proximal мотивы и один Ce-удалённо контроль set. Ce-proximal: (i) a два-fold-согласованная Co сидя at the rim из a surface O-вакансия непосредственно выше the subsurface Ce слой, и (ii) a три-fold Co один О row back on the same терраса;

наряду с эти, a три-fold Ni в the same Co-rich слой но все еще внутри the Ce-нарушенная сфера захватывает the B-site identity сопоставление. Ce-удалённо (терраса center, far from допанты/Вакансии): (iii) a два-/три-fold Co пара представительный из the intact гидроксилированный терраса, и (iv) a два-fold Ni окруженный по a в основном unreconstructed O sublattice. Вместе эти пять local среды span

координация (2 vs. 3), cation identity (Co vs. Ni), и допант/вакансия близость (near-Ce vs. терраса-center) consistent с the A4 проектирование (Ce в подповерхностный плоскости + спроектированный surface O-вакансии с гидроксильная пассивирование). Это refelects the выбор логика: Ce-прилегающий rims/близко-rim терраса сайты plus Ce-remote терраса controls с 2- и 3-координата Co/Ni.

\подпункт{\textbf{B1}}

Оn \textbf{B1 (графен-capped NiFe-LDH (001))}, the представительный \textbf{первый-слой поверхность Fe и Ni} являются the outermost cations в the top брюцит-как sheet непосредственно beneath the графен оверлейер. Каждый сидит в a \textbf{regular M(ОH)$\_6$ октаэдр} с почти изотропный M--О связи (Fe: \\textbf{2.09 \AA{}} апикальный/\\textbf{2.09 \AA{}} апикальный; экваториальный \textbf{2.09 $\pm$ 0.00 \AA{}}; Ni:

\\textbf{2.08 \AA{}} апикальный/\textbf{2.08 \AA{}} апикальный; экваториальный \textbf{2.07 $\pm$ 0.00 \AA{}}; октаэдрическая искажение \textbf{$\примерно$ 0.11 \%}), расположенный \textbf{1.03 \AA{}} ниже the topmost O plane и \textbf{2.00 \AA{}} ниже terminal OH, с the graphene sheet \textbf{7.00 \AA{}} выше the металл plane (\textbf{5.97 \AA{}} выше the surface O слой). The выбранное Fe lies близко the in-plane

center (\textbf{$>$ 8.09 \AA{}} from периодический edges) и the Ni является также well внутри the терраса (\textbf{$\approx$ 5.45 \AA{}} from edges), i.e., \\textbf{regular терраса сайты} скорее чем шаг/edge мотивы---сопоставление the "регулярный первый-слой" описание в the earlier manual note. Эти sites были selected кроме предоставьте \textbf{clean, защитимый benchmarks} для Открытые образовательные ресурсы under Ветвь-B1’Пожалуйста, пришлите исходный текст для перевода. разработка цель

(зондирование LDH активность под a защитный графен барьер): они являются далеко from дефекты и интеркаланты, экспонат bulk-как октаэдрический геометрия, и опыт только \textbf{адсорбированный фисически} graphene влияние, таким образом изолирующий intrinsic Fe/Ni--ОХ реактивность at the \\textbf{top basal surface}.

\подпункт{\textbf{B2}}

на B2, О the top (0001) лицо beneath the graphene апертура, четыре представительный surface Fe sites были selected: два \textbf{rim} Fe расположен вдоль the край из the $\sim$6 \AA{} window где the sp$^2$ rim подходы the oxide, каждый создавая Fe--C contact (shortest Fe--C $\пример$ 2.17 \AA{}), с под-координация (Fe--O CN $\approx$ 3) и a незначительный наружу расслабление ($\approx$ 1.33 \AA{} выше

the terminal O plane); и две \textbf{center-из-окно} Fe расположенный рядом the middle из the открытие, далеко от the углерод край (nearest C $\geq$ 5.24 \AA{}), сохранение октаэдрическая-как координация (Fe--O CN $\approx$ 6) и сидя $\approx$ 1.19 \AA{} ниже the top O/H plane. Эти два site семейства---carbon-связался rim vs углерод-free апертура interior---следовать the original проектирование intent и

предоставьте a физически мотивированный сопоставление к количественно оценить как the графен shell perturbs внутренний гематит реактивность.

\подпункт{\\textbf{B3}}

On the BO\texorpdfstring{$_2$}{2}-завершено top поверхность из B3 мы sample четыре терраса cations: (i) один \textbf{Fe} и (ii) один \textbf{Co} сидя ат the rim из a делибератное surface O-вакансия, каждый \textbf{три-согласованное} to решетка O (вакансия-край сайты, no апикальная O) с shortened в-plane M--O расстояния из $\sim$\\textbf{1.90--1.97 \AA{}}; и, как ссылки, (iii) один \textbf{Fe} и (iv) один \textbf{Co} на

the same терраса но \textbf{далеко from любой defect} ($\geq$\textbf{10.00 \AA{}} боковой разделение), сохраняя the регулярный \\textbf{square-пирамидальная BO$\_5$} environment (четыре экваториальный M--O $\approx$ \textbf{1.95--2.02 \AA{}}, один апикальный $\approx$ \textbf{2.05--2.10 \AA{}}). Это выбор---последовательный с the original notes---targets the большинство контрастивный local мотивы (Вакансия-edge недостаточная согласованность

vs pristine терраса; Fe vs Co идентичность) while сохранение all сайты в the \textbf{outermost BO\texorpdfstring{$_2$}{2} plane} выше the BaO нижний слой.

\подпункт{\\textbf{B4}}

In B4’s коралл-type апертура, мы target четыре представительный rim сайты: a Fe и a Ни in the \\textbf{top металлический plane} ат the pore край, и the соответствующий \textbf{второе-plane} Fe и Ni расположен непосредственно под the rim (как в the ранее manual note). The два top-слой cations sit \textbf{1.88 \AA{} (Fe)} и \textbf{1.55 \AA{} (Ni)} ниже the outermost O plane и lie внутри \\textbf{0.10--0.23

\AA{}} из the top-plane центроид; их in-plane разделение is \textbf{3.21 \AA{}}. At the rim, \\textbf{Fe остается near-октаэдрическая} (\textbf{6 O $\≤$ 2.30 \AA{}; $\langle d_{\text{M--O}}\rangle$ = 2.13 \AA{}}), поскольку \textbf{Ni is под-координированное взаимодействие} (\textbf{4 О $\leq$ 2.30 \AA{}; $\langle d_{\text{M--О}}\rangle$ = 2.12 \AA{}}). The второй-слой пара занимает the ring сразу же ниже the

апертура край, \\textbf{13.53--13.43 \AA{}} beneath the top O plane и внутри \textbf{0.09--0.02 \AA{}} о the второй-plane центроид; оба являются \\textbf{под-координированное} (\\textbf{4 O $\leq$ 2.30 \AA{}; $\langle d_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{M--O}}\rangle$ = 2.12 \AA{} (Ni), 2.06 \AA{} (Fe)}), с an в-plane разделение из \textbf{3.21 \AA{}}. Эти sites были выбранное to систематически span \\textbf{cation identity (Fe

vs Ni)}, \textbf{глубина (поверхность vs подповерхностный)}, и \textbf{координация состояние ат the pore край}, i.e., the структурный факторы most вероятно к govern *Ой/*O/*OOH связывание и хлорид толерантность в the коралл дизайн.

\подпункт{\textbf{C1}}

Оn \textbf{C1 (Ni--Fe LDH on 5\% N-допированный graphene с partial SALD Al--O/Ti--О покрытие)}, мы sample \textbf{два терраса металлы} на the \\textbf{top basal (001)} sheet (\\textbf{Fe} и \textbf{Ni}) и один \textbf{подповерхностный Fe} к probe глубина эффекты под the оверлей. The \textbf{поверхность Fe} располагается в a близко-идеал \textbf{Fe(ОГОНЬ)$_6$} октаэдр (\\textbf{Fe--O $\approx$ 2.09 \AA{}}), the

\textbf{поверхность Ni} в a сопоставление \textbf{Ni(ОH)$_6$} environment (\textbf{Ni--O $\approx$ 2.07 \AA{}}), оба размещено in the \textbf{центральная, шаг-free терраса} под регионы \textbf{не capped} по аморфный кластеры. The \textbf{подповерхностный Fe} расположена один гидроксид слой вниз (\textbf{$\Delta z \approx 7.8$ \AA{}} относительный to the top Fe) с октаэдрический \\textbf{Fe--O $\пример$ 2.10 \AA{}}. Эти

\textbf{Fe/Ni surface} vs \textbf{Fe подповерхностный} варианты span \\textbf{металл identity} и \textbf{глубина}, включение paired benchmarks из растворение склонность и местный решётка oxygen stability в the композитный LDH/углерод/SALD архитектура. Для VO tests мы target the \\textbf{lowest-координация} O neighbors из каждая металл (CN 1--3 внутри \\textbf{2.0--2.10 \AA{}}) к предоставьте a последовательный,

edge-смещённый вакансия протокол.

\подпункт{\textbf{C2}}

Проект \textbf{C2 (Fe single atom на Nb-допированный анатаз TiO\texorpdfstring{$_2$}{2}(101) с аморфный ALD кластеры)}, мы select the \\textbf{Fe адатом} закреплённая at a surface \\textbf{O-вакансия} (квадрат-пирамидальный, объединение-O мотив) как the \\textbf{core активное site}, тогда пара это с \\textbf{два подповерхностный Nb допанты}: a \textbf{near} Nb непосредственно под Fe in the первый cation plane (\textbf{$\Delta z \approx 1.9$ \AA{}};

почти on-ось), и a \\textbf{far} Nb в the same plane но \textbf{$\sim$4.25 \AA{}} латерально смещённый. Это триада изолирует \\textbf{активный-site стабильность} (Fe) и \textbf{допант привязка/сохранение контекста} (Nb near vs далеко) под the частично пассивация surface. Для VO мы remove the \textbf{минимум-координированная} O в пределах \textbf{$\le$ 3.0 \AA{}} из каждый target (CN $\approx$ 2; \textbf{Fe} сосед at

\\textbf{$\sim$2.46 \AA{}}, \textbf{Nb} соседи at \textbf{$\sim$1.94 \AA{}}) to оценить oxygen-решетка целостность в близость-сопоставленный среды.

\подпункт{\textbf{C3}}

О̄н \\textbf{C3 (Ru одиночный атом на W-допированный анатазе TiO\texorpdfstring{$_2$}{2}(101) с аморфный ALD кластеры)}, мы зеркало the C2 schema: the \\textbf{Ru adatom} at a поверхность \textbf{O-вакансия} (square-пирамидальный, сближение-O мотив) служит как the \textbf{primary site}, связанный в \textbf{два first-подповерхностный W допанты}---один \textbf{близко/on-ось} (\textbf{$\Delta z \approx 1.9$ \AA{}} под Похоже, вы не прислали сам текст для перевода (есть только “Ru”). Вставьте, пожалуйста, исходный фрагмент, который нужно перевести.) и one

\\textbf{латерально offset} по \\textbf{$\sim$4.25 \AA{}}. Это сравнение количественно определяет the \textbf{благородный-металл преимущество} (Ru vs Fe) и the эффект из \textbf{выше-valent допант} (W$^{6+}$ vs Nb$^{5+}$) on оба \textbf{активный-site} и \\textbf{легирующая добавка} стабильность. VO tests снова remove the \\textbf{lowest-CN} O внутри \\textbf{$\le$ 3.0 \AA{}} (CN $\пример$ 2; соседи at \textbf{$\sim$2.46 \AA{}} для

Ru и \textbf{$\sim$1.94 \AA{}} for W) to benchmark вакансия энергетика вдоль the близость серия.

\подпункт{\textbf{C4}}

На \textbf{C4 (градиент-допированный NiCo\texorpdfstring{$_2$}{2}O\texorpdfstring{$_4$}{4} spinel с аморфный ALD защита)}, мы probe \textbf{три cations} простирающийся the разработанный градиент: a \\textbf{поверхность-обогащенный Cr} допант в the upper октаэдрический слой (\textbf{z $\approx$ 25.3 \AA{}}), a \textbf{Co} октаэдрический site \textbf{близко Cr} (\\textbf{Cr--Co $\approx$ 2.86 \AA{}}; same region), и a \textbf{Co} октаэдрическая \textbf{далеко from all

Cr} (\textbf{$\sim$23 \AA{}} уходя от) as the baseline. Это set допрашивает ли \textbf{алиовалент Cr} сопротивляется выщелачивание и whether \textbf{Cr близость} стабилизирует соседний \\textbf{Co--O} сцепление относительный к \textbf{Cr-remote} Co в the spinel фреймворк. Для VO мы remove under-согласованная O neighbors (e.g., \textbf{$\sim$1.91--1.93 \AA{}} к Cr/Co; CN \textbf{2--4}) to Последовательно стресс

the решетка at the most уязвимый позиции вместе с \textbf{Cr-near} и \textbf{Cr-далеко} среды.

\подподраздел{Открытые образовательные ресурсы Катализатор Стабильность Оценка}

\textbf{Обсуждение из Открытые образовательные ресурсы stability.} Пока недавний достижения в переход metal слоистый double гидроксиды (LDH) и связанный материалы have достигнуто отлично oxygen эволюция реакция (Открытые образовательные ресурсы) активность подходящий теоретический пределы, катализатор стабильность remains the критический узкое место предотвращение коммерческий развертывание из вода разделение технологии. Операционная потенциалы превышающий 1.5 V vs. RHE в щелочная условия создать термодинамически благоприятный pathways для оба metal растворение и решетка кислород loss, ведущий к быстрый катализатор деградация. Кому адресовать this фундаментальный вызов, мы оценено кандидат катализаторы предложенный by the DR агенты (Рисунок~\ref{fig:DL_4_candidates_final}) using два дополняющий стабильность дескрипторы следующее установленное протоколы from наши previous work \cite{ding2025oermulti}: dissolution потенциал (U$_{\text{diss}}$) и oxygen вакансия формирование энергия (V$_{\Сфера: искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{O}}$).

\\textbf{Стабильность Описатели и Физическая Интерпретация}

The растворение потенциальность U$_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{diss}}$ количественно оценивает the термодинамический driving force для металл atom обучение с подкреплением на основе утечек из the катализатор поверхность, вычисленное как:

\Принято. Пришлите текст для перевода (начиная после строки `begin`).{equation}

U_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{diss}}(M@\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{slab}) = U^{\circ}_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{diss,bulk}}(M^{z+}/M) + \frac{E_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{slab-vac}}(M) + \mu_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{bulk}}(M) - E_{\text{slab}}}{ne}

\конец{equation}

где $E_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{слэб}}$ и $E_{\Сфера: искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{slab-vac}}(M)$ представлять the DFT энергии из the intact и металл-вакансия поверхности, соответственно (Рисунок~\ref{fig:DL_4_Vm_Vo_showcase}), $\mu_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{bulk}}(M)$ is the bulk металл химическое вещество потенциальный, $U^{\circ}_{\text{diss,bulk}}$ is the standard снижение потенциальный, и $n$ is the number о электроны перенесённый. Выше U$_{\text{diss}}$ values укажите больший

сопротивление к металл растворение, с positive values предлагая термодинамический стабильность под standard условия.

The oxygen вакансия формирование энергия V$_{\text{O}}$ captures the структурный целостность из the oxide решётка во время Открытые образовательные ресурсы циклирование. Мы следующий the following протокол for выбор решетка oxygen atom к remove, oxygen atoms являются идентифицировано в пределах 3.0 Å из активный металл sites и removed основано на координация число, с under-координированное oxygen atoms предпочтительно selected

(Рисунок~\ref{fig:DL_4_Vm_Vo_showcase}). Выше V$_{\text{O}}$ values указать сильнее металл--oxygen связи и сниженный восприимчивость к решётка oxygen участие в the OER механизм, который может lead к необратимое структурный деградация.

\textbf{Сравнительный Стабильность Анализ}

Оценка вдоль представительный surface сайты (Рисунок~\ref{fig:DL_4_site_choice_matrix}) раскрывает значительный вариация в стабильность метрики среди кандидат катализаторы. The растворение потенциалы span from примерно $-0.4$ V для $+1.2$ V vs. SHE (Рисунок~\ref{fig:DL_4_histogram_Udiss}). Oxygen вакансия формирование энергии аналогично экспонат broad распределение. In общий, выше V$_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{O}}$ предполагает

усиленный решетка стабильность потенциально возникающие from сильнее метал--oxygen ковалентность или благоприятный координация среды что стабилизировать the oxide framework.

\\textbf{Корреляция Между Стабильность Метрики}

A positive корреляция возникает между U$_{\Сфера: Искусственный интеллект, когнитивные подходы, нейронные сети, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{diss}}$ и V$_{\text{О}}$ повсюду все 39 оценённый металл sites (Рисунок~\ref{fig:DL_4_scatter_udiss_Vo}), указывая что сопротивление to металл растворение и oxygen Вакансия формирование являются встроенно linked. Этот корреляция предполагает a унифицированный электронный origin для оба stability механизмы: катализаторы с сильнее металл--oxygen bonds сопротивляться оба

металл обучение через извлечение и oxygen loss. The наблюдалось взаимосвязь валидирует the используйте из либо метрика как a разумный прокси для в целом stability, хотя оценивание оба предоставляет больше всесторонний оценка.

\\textbf{Нормализовано Стабильность Оценивание}

To enable количественный сравнение, мы аналогично прикладной the linear оценка фреймворк с IrO\texorpdfstring{$_2$}{2} как the baseline reference (Score = 100), using чувствительность параметр $\beta = 0.2$ согласованный с other приложения. The U$_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{diss}}$-основанное scores являются показано в Рисунок~\ref{fig:DL_4_scoring_Udiss}. The V$_{\text{O}}$-на основе scores (Рисунок~\ref{fig:DL_4_scoring_Vo}) show похожий тенденции но не довольно точно

the same рейтинги, выделение the value из оценка оба метрики.

Текст: расхождение между U$_{\text{diss}}$ и V$_{\text{O}}$ рейтинги для specific кандидаты отражает различный стабильность-ограничение механизмы: некоторые материалы может excel at предотвращение металл растворение пока оставшееся уязвимый до кислород loss, или vice versa. Это дополнительный информация руководства рациональное катализатор дизайн—для instance, кандидаты с высокий U$_{\text{diss}}$ но умеренный

V$_{\text{O}}$ может выгода from стратегии к укрепить металл--oxygen связи, while эти с the противоположное profile могло бы require усиленный металл site закрепление.\clearpage

\Понял. Пришлите текст для перевода.{рисунок}[htbp]

\центрирование

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No4_OER_stability/oer_catalysts_FINAL.png}

\caption{Структурный конфигурации из OER катализатор candidates предложенный by DR агенты, с IrO\texorpdfstring{$_2$}{2} (110) включено как the domain benchmark reference для stability оценка.}

\label{fig:DL_4_candidates_final}

\end{рисунок}

\begin{рисунок}[htbp]

\centering

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No4_OER_stability/VM-VO_showcase.png}

\caption{Схематическое изображение иллюстрация из вакансия создание на the IrO\texorpdfstring{$_2$}{2} рутилe (110) surface. Слева: Металл вакансия (V$_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{M}}$) создано от удаление a поверхность металл атом для растворение потенциал (U$_{\text{diss}}$) calculation. Правильно: Кислород Вакансия (V$_{\text{O}}$) создано по удаление a поверхность кислород atom для вакансия формирование энергия вычисление.}

\label{fig:DL_4_Vm_Vo_showcase}

\конец{рисунок}

\Пожалуйста, пришлите текст для перевода (начиная с момента после строки “begin”).{рисунок}[htbp]

\центровка

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No4_OER_stability/oer_catalyst_sites_matrix.png}

\caption{Матрица представление из выбранное металл сайты для стабильность оценка вдоль A-серия (A1--A4) и B-серия (B1--B4) катализатор кандидаты. Представительный поверхность металл atoms являются highlighted для растворение и вакансия формирование вычисления.}

\label{fig:DL_4_site_choice_matrix}

\end{рисунок}

\Похоже, вы не прислали сам текст для перевода. Пришлите, пожалуйста, нужный фрагмент (начиная со слова после `begin` и до `end`) — и я переведу по вашим правилам.{рисунок}[htbp]

\центровка

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No4_OER_stability/udiss_stability_histogram.png}

\caption{Растворение потенциалы (U$_{\text{diss}}$) для всё кандидат катализаторы at представительный поверхность сайты. Больше values указать больше сопротивление to металл растворение. Прерывистая линия горизонтальный lines обозначим standard bulk растворение потенциалы для reference металлы (Fe: $-0.44$ V, Co: $-0.277$ V, Ni: $-0.257$ V, Ir: $+1.16$ V vs. SHE).}

\label{fig:DL_4_histogram_Udiss}

\end{рисунок}

\begin{рисунок}[htbp]

\центровка

\includegraphics[ширина=1\textwidth]{fig/dry_lab_results/No4_OER_stability/vo_stability_histogram.png}

\caption{Кислород вакансия формирование энергии (V$_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{O}}$) для all кандидат катализаторы в репрезентативный surface сайты. Выше формирование энергии указать больше структурный стабильность и сопротивление к oxygen loss во время OER операция.}

\label{fig:DL_4_histogram_Vo}

\end{рисунок}

\begin{рисунок}[htbp]

\центруирование

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No4_OER_stability/stability_correlation_scatter.png}

\caption{Корреляция между растворение потенциальный (U$_{\text{diss}}$) и oxygen вакансия формирование энергия (V$_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{O}}$) across все 26 оцененный металл sites. The положительный корреляция указывает что катализаторы устойчивый к металл растворение также тенденция to сопротивляться oxygen вакансия формирование.}

\label{fig:DL_4_scatter_udiss_Vo}

\end{рисунок}

\Понятно. Пришлите текст для перевода (начинающийся после слова begin).{рисунок}[htbp]

\centering

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No4_OER_stability/oer_catalyst_udiss_uniform_scores.png}

\caption{Стабильность scores основано on растворение потенциальность (U$_{\text{diss}}$), нормализованный to IrO\texorpdfstring{$_2$}{2} baseline (100). Оценки являются calculated используя the линейный метрика с чувствительность параметр $\beta = 0.2$, где выше U$_{\text{diss}}$ values выводит выше scores.}

\label{fig:DL_4_scoring_Udiss}

\end{рисунок}

\begin{рисунок}[htbp]

\центрирование

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No4_OER_stability/oer_catalyst_vo_uniform_scores.png}

\caption{Стабильность scores основанный на oxygen вакансия формирование энергия (V$_{\text{O}}$), нормализованный to IrO\texorpdfstring{$_2$}{2} baseline (100). The оценивание методология использует the same linear масштабирование ($\beta = 0.2$), с выше V$_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{O}}$ values указывая превосходящий стабильность.}

\label{фиг:DL_4_scoring_Vo}

\конец{рисунок}

\clearpage

\подраздел{CO\texorpdfstring{$_2$}{2} Датчик Проверка}

\подподраздел{CO2\_Ощущение\_2D\_Материалы}

Для the пятьдесят пятая application: CO\texorpdfstring{$_2$}{2} Датчик Probe.

The запрос как показано в \ref{app:темы} is:

\begin{lstlisting}

Который два-размерный материалы--такое как graphene производные, переход металл дихалькогениды, или MXenes--предлагать the наивысший CO2 зондирование производительность in complex gas или водный среды, и как do они compare in terms из обнаружение limit (ppm), избирательность против common интерференты (e.g., O2, H2O), response/восстановление time, и длинный-term stability, включая любое функционализация или структурный

модификации что усилить эти метрики? Думай из novel кандидаты.\end{lstlisting}

The лучшее коммерческий решение это: \textbf{GlideLogic\_DR}.

The лучший local non gpt-oss решение есть: \textbf{DToR\_qwq32B\_local500}.

Текст: лучшее локальный gpt-oss solution является: \textbf{Одиночный\_gpt-oss120B\_local500}.

The эксперт основано на the два отчеты, предоставлено 4 коммерческий DR report полученный кандидаты (A1-A4), и 4 местный non gpt-oss DR отчет полученный кандидаты (B1-B4), и 4 local gpt-oss DR report полученный кандидаты (C1-C4), визуализировано в Рисунок. \ref{fig:DL_5_candidates_final}:

\paragraph{\\textbf{g-C\texorpdfstring{$_3$}{3}N\texorpdfstring{$_4$}{4} описание}}

Для CO\texorpdfstring{$_2$}{2} связывание, the benchmark основание is a монослой графитовый carbon нитрид (g-C\texorpdfstring{$_3$}{3}N\texorpdfstring{$_4$}{4}) построенный как a 7$\times$7 в-plane supercell из the primitive sheet (49 formula units; C$_{147}$N$_{196}$) в a шестиугольная cell с a = b = 33.50~\AA, \texorpdfstring{$\gamma$}{gamma} = 120°, и c = 35.0~\AA. Все atoms lie in a single атомарный plane at z $\approx$ 5.0~\AA, leaving $\sim$30~\AA\ из вакуум to the next периодический

image вдоль c, i.e., нет межслойный взаимодействия. The in-plane сеть это a полностью сопряжённый sp$^2$ C--N решетка: каждый C is три-координата, N сайты являются преимущественно два- to три-координата ($\⟨$CN$\rangle$ $\approx$ 2.25), и nearest-neighbor C--N расстояния кластер at 1.37 $\pm$ 0.06~\AA. Нет гетероатомы, дефекты, терминации, или адсорбаты являются present (P1 путем construction). Это clean,

стехиометрический, и строго плоский C\texorpdfstring{$_3$}{3}N\texorpdfstring{$_4$}{4} slab (ареал плотность $\approx$ 5.05 formula units nm$^{-2}$) служит как наш reference поверхность для CO\texorpdfstring{$_2$}{2} связывание.

\подпункт{\textbf{A1 (rGO--PEI)}}

Шестиугольная P1 слэб с a = b = 36.90~\AA, \texorpdfstring{$\gamma$}{gamma} = 120.00°, c = 45.00~\AA\ (\texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\бета$}{beta} = 90.00°). The модель содержит 605 атомы (C$_{461}$H$_{80}$O$_{54}$N$_{10}$). Атомный z позиции span 4.63--16.63~\AA, дающий a слэб толщина из 12.01~\AA\ и 32.99~\AA\ из вакуум вдоль c. The в-plane Сфера is 11.79~nm$^2$, получая ареал число плотности из C 39.09~nm$^{-2}$, H 6.78~nm$^{-2}$, O

4.58~nm$^{-2}$, и N 0.85~nm$^{-2}$. Углерод высоты resolve a доминирующий rGO basal plane centered ат z $\approx$ 7.39 $\pm$ 0.64~\AA\ (441 C) и a minor upper carbon domain at 12.09--15.35~\AA\ (20 C). Все N atoms проживать в the upper domain (11.23--16.53~\AA; $\langle$z$\rangle$ = 13.03~\AA), последовательный с ан amine-rich полиэтиленимин (PEI) ветвь доля связанный выше the rGO sheet; O atoms

are сосредоточенный ниже 10.65~\AA, последовательный с остаточный rGO oxygen функциональные возможности. Это rGO--PEI слэб, изолированном посредством ample вакуум, предоставляет a структурно хорошо-определено платформа для site-конкретный CO\texorpdfstring{$_2$}{2} связывание вычисления.

\подпункт{\textbf{A2 (фосфорен \texorpdfstring{$|$}{|} Al\texorpdfstring{$_2$}{2}O\texorpdfstring{$_3$}{3} cap с обученный с многократной тренировкой через-pore)}}

Ортогональная призма P1 клетка (a = 26.36~\AA, b = 27.26~\AA, c = 27.08~\AA; \texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = \texorpdfstring{$\гамма$}{gamma} = 90.00°) включающий a фосфорен подуровень (P\texorpdfstring{$_{192}$}{192}) beneath an алюмина cap (Al\texorpdfstring{$_{146}$}{146}O\texorpdfstring{$_{220}$}{220}). Атомарный z spans 3.95--17.44~\AA, дающий a slab толщина из 13.49~\AA\ и 13.59~\AA\ из вакуум. Фосфорен занимает z = 3.95--8.12~\AA\ (толщина 4.17~\AA; top P plane ат 8.12~\AA), while the cap

экспонаты O/Al = 1.51 ($\approx$Al\texorpdfstring{$_2$}{2}O\texorpdfstring{$_3$}{3}) с the Al фреймворк at z = 8.83--15.83~\AA\ (7.00~\AA) и the O сеть расширяя 8.05--17.44~\AA\ (9.39~\AA), слегка перекрывающиеся the top P plane ($\Delta$z = 0.07~\AA) к form an межфазный контакт. The в-plane область is 718.57~\AA$^2$ (7.19~nm$^2$). A single через-pore проникает the cap near (f$_x$, f$_y$) = (0.51, 0.50): the top апертура has

радиус 6.27~\AA\ ($\пустое множество$ 12.54~\AA), нарроуизирует к a узкое место радиус 5.11~\AA\ ($\пустое множество$ 10.22~\AA; section 82.02~\AA$^2$, 11.42\% из the поверхность), и re-расширяет близко the интерфейс к радиус 5.22~\AA\ ($\∅$ 10.44~\AA). Текст: pore rim at the узкое место is O-rich ($\sim$7 O : 2 Al) распределённый over z = 9.53--12.66~\AA, yielding an oxygen-lined channel выше фосфорен что позволяет

CO\texorpdfstring{$_2$}{2} доступ оба to алюмина завершения и к межфазный сайты.

\подпункт{\\textbf{A3 (MoS\texorpdfstring{$_2$}{2} монослой с вакансии)}}

P1 cell с a = 27.58~\AA, b = 22.29~\AA, c = 28.13~\AA\ (\texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = \texorpdfstring{$\gamma$}{gamma} = 90.00°). The слэб содержит 200 атомы (Mo\texorpdfstring{$_{64}$}{64}S\texorpdfstring{$_{136}$}{136}; S/Mo = 2.13) и занимает z = 4.83--8.50~\AA\ (толщина 3.67~\AA) с 24.46~\AA\ из вакуум вдоль c. The в-plane область это 6.15~nm$^2$, давая ареал number плотности из Mo 10.41~nm$^{-2}$ и S 22.13~nm$^{-2}$. Слоение является a single S--Mo--S tri-слой:

the Mo plane is centered at z = 6.56~\AA\ (spread 0.31~\AA), bracketed by S planes at z = 5.01~\AA\ и 8.12~\AA, yielding ан среднее S--S разделение из 3.11~\AA\ и Mo--S вертикальный offsets из 1.54~\AA\ (bottom) и 1.57~\AA\ (top). Нет гетероатомы, функциональный группы, или адсорбаты являются present. Пять Mo atoms являются removed to создать Mo вакансии. Это монослой MoS\texorpdfstring{$_2$}{2} slab предоставляет a simple,

хорошо-изолированный reference для CO\texorpdfstring{$_2$}{2} адсорбция benchmarks.

\подпункт{\textbf{A4 (Ti\texorpdfstring{$_3$}{3}C\texorpdfstring{$_2$}{2}T$_x$, mixed терминации)}}

Шестиугольная P1 slab с a = b = 30.67~\AA, \texorpdfstring{$\гамма$}{гамма} = 120.00°, c = 51.70~\AA\ (\texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = 90.00°); в-plane область 8.15~nm\texorpdfstring{$^2$}{2}. The model содержит Ti\texorpdfstring{$_{300}$}{300}C\texorpdfstring{$_{200}$}{200}O\texorpdfstring{$_{175}$}{175}F\texorpdfstring{$_{25}$}{25}H\texorpdfstring{$_{25}$}{25}, i.e., 100 Ti\texorpdfstring{$_3$}{3}C\texorpdfstring{$_2$}{2} formula units с 200 поверхность sites. Прекращения являются асимметричный: the top лицо состоит из 50.00\% *O, 25.00\% *ОХ, и 25.00\% *F (100 сайты), поскольку the bottom лицо is 100.00\%

*O (100 sites), давая an в целом распределение из 75.00\% *O, 12.50\% *Ох, и 12.50\% *F. Атомарное высоты span z = 5.01--13.29~\AA\ (толщина 8.29~\AA) с 43.41~\AA\ из вакуум; the карбид core лежит at z = 7.22--9.90~\AA\ (2.68~\AA). Среднее вертикальная смещения from the поверхность Ti плоскости являются 0.96~\AA\ for top *O, 1.06~\AA\ для top *F, 2.06~\AA\ для H in *О том, и 0.89~\AA\ для bottom *O; the

соответствующий site плотность является 12.28~nm$^{-2}$ per лицо. Это слэб предоставляет a хорошо-defined смешанный-завершение MXene поверхность для probing site-specific CO\texorpdfstring{$_2$}{2} адсорбция.

\подпункт{\textbf{B1 (rGO--NH\texorpdfstring{$_2$}{2}; same rGO basal слэб как A1)}}

Это модель использует повторно the rGO решетка from A1 без change (a = b = 36.90~\AA, \texorpdfstring{$\gamma$}{gamma} = 120.00°, c = 45.00~\AA; в-plane area 11.79~nm\texorpdfstring{$^2$}{2}), сохранение the 441-C rippled базальный plane centered at z = 7.29 \texorpdfstring{$\pm$}{±} 0.67~\AA. The слэб содержит 585 атомы (C\texorpdfstring{$_{441}$}{441}H\texorpdfstring{$_{70}$}{70}O\texorpdfstring{$_{54}$}{54}N\texorpdfstring{$_{20}$}{20}) с высоты простирающийся 4.36--11.16~\AA\ (толщина 6.80~\AA) и 38.20~\AA\ из вакуум. Oxygen функциональности lie over

4.36--10.64~\AA, while primary amines являются grafted исключительно on the upper face (N 8.37--10.38~\AA, $\langle$z$\rangle$ = 9.40 $\pm$ 0.63~\AA; H up to 11.16~\AA), давая ан --NH\texorpdfstring{$_2$}{2} areal плотность из 1.70~nm$^{-2}$. Areal number плотности являются C 37.40~nm$^{-2}$, O 4.58~nm$^{-2}$, N 1.70~nm$^{-2}$, и H 5.94~nm$^{-2}$. С lattice векторы и базальный углерод топология идентичный для A1, this слэб

изолирует the effect из заменяя the PEI оверлейщик с дискретный --NH\texorpdfstring{$_2$}{2} прекращения для CO\texorpdfstring{$_2$}{2} связывание исследования.

\подпункт{\textbf{B2 (Ti\texorpdfstring{$_3$}{3}C\texorpdfstring{$_2$}{2}F\texorpdfstring{$_2$}{2}, полностью F-прервано; same строительство протокол как A4)}}

Шестиугольная P1 slab с a = b = 30.67~\AA, \texorpdfstring{$\gamma$}{gamma} = 120.00°, c = 51.70~\AA\ (\texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = 90.00°); in-plane area 8.15~nm\texorpdfstring{$^2$}{2}. The CIF содержит Ti\texorpdfstring{$_{300}$}{300}C\texorpdfstring{$_{200}$}{200}F\texorpdfstring{$_{200}$}{200} (100 Ti\texorpdfstring{$_3$}{3}C\texorpdfstring{$_2$}{2} formula единицы; 200 сфера sites), i.e., оба лица являются 100.00\% *F с нет *O или *ОП terminations. Атомарный высоты span z = 4.85--12.14~\AA, давая a слэб толщина из 7.29~\AA\ и 44.41~\AA\ из

вакуум. The карбид ядро (Ti/C) лежит at z = 6.11--10.87~\AA\ (4.76~\AA); terminal F слои sit симметрично ат offsets из 1.27~\AA\ выше the top Ti plane и 1.27~\AA\ ниже the bottom Ti plane. The завершение site плотность is 12.28~nm$^{-2}$ per лицо (100 сайты over 8.15~nm$^2$). Это симметричный, полностью фторированный MXene предоставляет a чистый контраргумент to the mixed-завершение Ti\texorpdfstring{$_3$}{3}C\texorpdfstring{$_2$}{2}T$_x$

model (A4) для изолируя the эффект из *F terminations on CO\texorpdfstring{$_2$}{2} адсорбция.

\подпункт{\\textbf{B3 (graphene \texorpdfstring{$|$}{|} Ti\texorpdfstring{$_3$}{3}C\texorpdfstring{$_2$}{2}O\texorpdfstring{$_2$}{2} гетеросоединение; same MXene cell как As A4/B2)}}

Шестиугольная P1 slab с a = b = 30.67 \AA{}, \texorpdfstring{$\гамма$}{гамма} = 120.00°, c = 51.70 \AA{} (в-plane область 8.15 nm\texorpdfstring{$^2$}{2}). The MXene sub-слэб совпадения the A4/B2 Ti\texorpdfstring{$_3$}{3}C\texorpdfstring{$_2$}{2} решётка и is полностью *O-завершено на оба лица (Ti\texorpdfstring{$_{300}$}{300}C\texorpdfstring{$_{200}$}{200}O\texorpdfstring{$_{200}$}{200}; 100 *O пер лицо, 12.28 sites nm\texorpdfstring{$^{-2}$}{-2}). A single-слой graphene лист (C\texorpdfstring{$_{338}$}{338}) is добавленный на the bottom сторона, дающий a total составление Ti${300}$C${538}$O${200}$.

Атомарный высоты span z = 7.31--19.41 \AA{} (толщина 12.10 \AA{}) с 39.60 \AA{} из vacuum вместе c. The graphene forms a narrow plane at z = 7.79 $\pm$ 0.31 \AA{} (7.31--8.45 \AA{}), the bottom *O plane является at z = 12.40 \AA{} и the top *O plane at z = 19.41 \AA{}; the graphene--MXene van дер Ваалса gap есть 4.61 \AA{} (center-to-plane; минимум 3.95 \AA{} до *O), и the graphene--bottom Ti plane

разделение is 6.78 \AA{}. The result is a хорошо-изолированно графена$|$Ti\texorpdfstring{$_3$}{3}C\texorpdfstring{$_2$}{2}O\texorpdfstring{$_2$}{2} гетеросоединение с симметричный *O terminations и a dense graphene areal углерод плотность из 41.49 nm$^{-2}$.

\подпункт{\\textbf{B4 (Cu-вставлено MoS\texorpdfstring{$_2$}{2}; same MoS\texorpdfstring{$_2$}{2} host как A3)}}

Ортогональная (ромбическая) P1 cell с a = 27.58 \AA{}, b = 22.29 \AA{}, c = 28.13 \AA{} (\texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = \texorpdfstring{$\gamma$}{гамма} = 90.00°; в-plane область 6.15 nm\texorpdfstring{$^2$}{2}). The slab содержит Mo\texorpdfstring{$_{64}$}{64}Cu\texorpdfstring{$_5$}{5}S\texorpdfstring{$_{136}$}{136} и занимает z = 4.80--8.32 \AA{} (толщина 3.51 \AA{}) с 24.61 \AA{} из вакуум. The host S--Mo--S tri-слой is preserved ($\langle$z$\rangle$: S(bottom) = 5.03 \AA{}, Mo = 6.59 \AA{}, S(top) = 8.15 \AA{}; S--S

spacing 3.12 \AA{}; Mo--S offsets 1.55/1.56 \AA{}), как в A3. At A3’s Mo вакансии, пять Cu центры lie в пределах the халькоген сэндвич в z = 6.55--6.89 \AA{} ($\langle$z$\rangle$ = 6.70 \AA{}), i.e., $\sim$0.11 \AA{} выше the Mo plane и biased к ⟦K0⟧ the top S слой; the ареал Cu плотность является 0.81 nm$^{-2}$. Локально координация вокруг Cu is consistent с вставка at халькоген-вакансия--как

sites: каждый Cu показывает $\sim$4--5 short Cu--S контакты ат 2.28--2.38 \AA{} (среднее из первый shell $\примерно$ 2.31 \AA{}) с the next S neighbors рядом 2.95--3.06 \AA{}, и $\sim$2--3 Cu--Mo contacts at 2.78--3.26 \AA{}. Это конфигурация предоставляет a хорошо-определено модель к probe как подповерхностный/встроенный Cu ат вакансия мотивы модулирует CO\texorpdfstring{$_2$}{2} связывание относительный к the pristine A3 моновслой.

\подпункт{\\textbf{C1 (Mo\texorpdfstring{$_2$}{2}C T$_x$ MXene с гидрофобный силан + PEI)}}

Орторомбическая P1 slab с a = 34.64~\AA, b = 30.00~\AA, c = 65.36~\AA\ (\texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = \texorpdfstring{$\gamma$}{gamma} = 90.00\texorpdfstring{$^\circ$}{°}). The model содержит 1006 atoms (Mo\texorpdfstring{$_{288}$}{288}C\texorpdfstring{$_{220}$}{220}О\texorpdfstring{$_{294}$}{294}N\texorpdfstring{$_{20}$}{20}H\texorpdfstring{$_{182}$}{182}Si\texorpdfstring{$_2$}{2}). Атомарный $z$ позиции span 22.50--42.86~\AA, давая a slab толщина из 20.36~\AA\ и 45.00~\AA\ из вакуум вдоль $c$. The в-плоскость область is 10.39~nm$^2$, получение areal число плотности из Mo

27.72~nm$^{-2}$, C 21.17~nm$^{-2}$, O 28.30~nm$^{-2}$, N 1.92~nm$^{-2}$, Si 0.19~nm$^{-2}$, и H 17.52~nm$^{-2}$. The Mo\texorpdfstring{$_2$}{2}CO\texorpdfstring{$_2$}{2} MXene base forms a 6$\times$6 supercell (2$\times$2 расширение из the 3$\times$3 примитив cell) с Mo atoms занимающий $z$ = 23.70--26.56~\AA\ ($\langle z\rangle$ = 25.13~\AA; толщина 2.86~\AA), bracketed по симметричный кислород terminations at $z$ = 22.50--30.15~\AA,

consistent с O-завершено MXene поверхности. Выше the подложка, три surface-адсорбированный компоненты lie $\sim$2.5~\AA\ выше the top Mo plane: один разветвлённый полиэтиленимин (PEI) кластер centered at дробный координаты (0.20, 0.50) с N распределенная по всему $z$ = 24.42--41.98~\AA\ ($\langle z\rangle$ = 32.42~\AA; 20 amine sites ат 1.92~nm$^{-2}$), и два триметоксикаприлсилан молекулы at

(0.95, 0.50) и (0.45, 0.50) с Si at $z$ = 29.18~\AA, формирование a гидрофобный покрытие to сопротивляться влажность. Органический-слой C spans 25.13--40.94~\AA, с H up to 42.86~\AA, определение the top surface. Боково, the PEI кластер занимает the left region while the silanes являются разделенный across the middle/right, поддержание экспонированный MXene для электрический проводимость. Это Mo\texorpdfstring{$_2$}{2}C T$_x$ slab с patchy

amine функционализация и гидрофобный силан ограничение сверху, изолированное от ample вакуум, предоставляет a структурно хорошо-определено платформа for CO\texorpdfstring{$_2$}{2} сенсинг симуляции нацеливание sub-ppm обнаружение с усиленный влажность сопротивление.

\подпункт{\\textbf{C2 (Mo\texorpdfstring{$_2$}{2}C T$_x$ MXene $|$ 2-D MOF UiO-66-NH\texorpdfstring{$_2$}{2})}}

Орторомбическая P1 слэб с a = 34.64~\AA, b = 30.00~\AA, c = 66.75~\AA\ (\texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = \texorpdfstring{$\гамма$}{гамма} = 90.00\texorpdfstring{$^\circ$}{°}). The модель содержит 1002 atoms (Mo\texorpdfstring{$_{288}$}{288}C\texorpdfstring{$_{240}$}{240}О\texorpdfstring{$_{360}$}{360}N\texorpdfstring{$_{12}$}{12}H\texorpdfstring{$_{96}$}{96}Zr\texorpdfstring{$_6$}{6}). Атомарный $z$ позиции span 22.50--44.25~\AA, дающий a slab толщина из 21.75~\AA\ и 45.00~\AA\ из вакуум. The в-plane area is 10.39~nm$^2$, yielding ареал number плотности из Mo

27.72~nm$^{-2}$, C 23.10~nm$^{-2}$, O 34.65~nm$^{-2}$, N 1.15~nm$^{-2}$, Zr 0.58~nm$^{-2}$, и H 9.24~nm$^{-2}$. The Mo\texorpdfstring{$_2$}{2}CO\texorpdfstring{$_2$}{2} MXene base формы a 6$\times$6 supercell с Mo at $z$ = 23.70--26.56~\AA\ ($\langle z\rangle$ = 25.13~\AA; толщина 2.86~\AA) bracketed by симметричный O terminations. Выше the подложка, a single UiO-66-NH\texorpdfstring{$_2$}{2} MOF клетка это размещенный $\sim$10.0~\AA\ выше the top Mo

plane ат (0.20, 0.50), смещение для leave выявленный MXene для трансдукция. The клетка состоит из a Zr$_6$ node координированное по аминтерефталат linkers (C$_{96}$H$_{96}$N$_{12}$O$_{72}$), предоставление 12 --NH\texorpdfstring{$_2$}{2} сайты (1.15~nm$^{-2}$) для CO\texorpdfstring{$_2$}{2} capture; the Zr$_6$ node придает стабильность и Льюис ацидность, while --NH\texorpdfstring{$_2$}{2} группы предложить basic связывание sites. The topmost атомы достичь $z$ = 44.25~\AA, обеспечение

разделение from the MXene base. Это Mo\texorpdfstring{$_2$}{2}C T$_x$ $|$ UiO-66-NH\texorpdfstring{$_2$}{2} гибридный, изолированно by ample вакуум, предоставляет a хорошо-определено платформа для CO\texorpdfstring{$_2$}{2} слежение симуляции нацеливание sub-0.3~ppm детекция с fast response и minimal дрейф посредством синергетический MXene проводимость и MOF избирательность.

\подпункт{\textbf{C3 (Mo\texorpdfstring{$_2$}{2}C T$_x$ MXene с ZnO nano-зерно кластер)}}

Ортогональная (ромбическая) P1 cell с a = 34.64~\AA, b = 30.00~\AA, c = 61.06~\AA\ (\texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = \texorpdfstring{$\gamma$}{гамма} = 90.00\texorpdfstring{$^\circ$}{°}). The slab содержит 829 atoms (Mo\texorpdfstring{$_{288}$}{288}C\texorpdfstring{$_{144}$}{144}O\texorpdfstring{$_{342}$}{342}Zn\texorpdfstring{$_{55}$}{55}). Атомарный $z$ spans 22.50--38.56~\AA\ (толщина 16.06~\AA) с 45.00~\AA\ из vacuum. The в-plane область is 10.39~nm$^2$, давая ареал плотности из Mo 27.72~nm$^{-2}$, C 13.86~nm$^{-2}$, O 32.92~nm$^{-2}$ (MXene +

ZnO), и Zn 5.29~nm$^{-2}$. The Mo\texorpdfstring{$_2$}{2}CO\texorpdfstring{$_2$}{2} MXene base forms a 6$\times$6 supercell с Mo at $z$ = 23.70--26.56~\AA\ ($\langle z\rangle$ = 25.13~\AA; 2.86~\AA\ толстый) и симметричный O terminations. Выше the substrate, ан октаэдрический ZnO nano-зерно (Zn\texorpdfstring{$_{55}$}{55}O$_{54}$; 109 atoms) есть размещено $\sim$7.0~\AA\ выше the top Mo plane ат (0.13, 0.50), охватывающий $z$ = 28.56--38.56~\AA\ ($\sim$10.0~\AA\

вертикальная extent). The кластер, сконструировано с ASE, демонстрирует uniform (111)-type facets; surface Zn предоставьте согласованно ненасыщенный сайты для CO\texorpdfstring{$_2$}{2} взаимодействие, пока поверхность O предлагать basic sites для hydrogen бондинг/диполь взаимодействия. The умеренный 7.0~\AA\ clearance balances электронный связь с структурный независимость, включение эффективный трансдукция через the проводящий MXene. Это

Mo\texorpdfstring{$_2$}{2}C T$_x$ $|$ ZnO гибридный слэб, изолированно by ample вакуум, предлагает a хорошо-определено платформа для CO\texorpdfstring{$_2$}{2} зондирование симуляции нацеливание sub-0.25~ppm обнаружение и $>$15:1 избирательность через синергетический проводимость и равномерно распределённый ZnO capture sites.

\подпункт{\\textbf{C4 (Janus Ti\texorpdfstring{$_2$}{2}C T$_x$ MXene + PEI межслойный)}}

Шестиугольная P1 slab с a = 18.18~\AA, b = 15.74~\AA, c = 64.57~\AA\ (\texorpdfstring{$\alpha$}{alpha} = \texorpdfstring{$\beta$}{beta} = 90.00\texorpdfstring{$^\circ$}{°}, \texorpdfstring{$\gamma$}{гамма} = 120.00\texorpdfstring{$^\circ$}{°}). The model содержит 384 atoms (Ti\texorpdfstring{$_{72}$}{72}C\texorpdfstring{$_{36}$}{36}O\texorpdfstring{$_{72}$}{72} + PEI C\texorpdfstring{$_{54}$}{54}H\texorpdfstring{$_{130}$}{130}N\texorpdfstring{$_{20}$}{20}; total Ti\texorpdfstring{$_{72}$}{72}C\texorpdfstring{$_{90}$}{90}O\texorpdfstring{$_{72}$}{72}H\texorpdfstring{$_{130}$}{130}N\texorpdfstring{$_{20}$}{20}). Атомарный $z$ позиции span 22.50--42.07~\AA, дающий a slab толщина of 19.57~\AA\ и 45.00~\AA\ из vacuum. The в-plane область

is 2.86~nm$^2$, yielding areal плотности из Ti 25.17~nm$^{-2}$, C 31.47~nm$^{-2}$ (12.59~nm$^{-2}$ from MXene; 18.88~nm$^{-2}$ from PEI), O 25.17~nm$^{-2}$, N 6.99~nm$^{-2}$, и H 45.45~nm$^{-2}$. The Ti\texorpdfstring{$_2$}{2}CO\texorpdfstring{$_2$}{2} MXene base (проверено 3$\times$3 primitive reused и расширенный для 6$\times$6) has Ti at $z$ = 23.74--26.26~\AA\ ($\langle z\rangle$ = 25.00~\AA; 2.52~\AA\ thick) с symmetric O

завершения at $\sim$22.50~\AA\ (bottom) и 27.74~\AA\ (top), Ti--O $\approx$ 1.95~\AA. Выше the подложка, a разветвлённый PEI межслойный кластер (C$_{54}$H$_{130}$N$_{20}$; 9 repeat units, 20 amine sites) сидит 5.0~\AA\ выше the top Ti plane at (0.50, 0.50), охватывая $z$ = 29.39--42.07~\AA\ ($\sim$12.7~\AA\ вертикальная extent). The amine плотность является 6.99~N~nm$^{-2}$ ($\ge$3~nm$^{-2}$ target),

поддерживающий обратимый amine--CO\texorpdfstring{$_2$}{2} химия (R--NH\texorpdfstring{$_2$}{2} + CO\texorpdfstring{$_2$}{2} \texorpdfstring{$\rightarrow$}{->} R--NH$_2^+$--Генеральный операционный директор$^-$) что модулирует MXene проводимость; центральная placement обеспечивает симметричный покрытие while сохранение периферический MXene for контакты. Это Ti\texorpdfstring{$_2$}{2}C T$_x$ $|$ PEI гибридный, изолированно по ample вакуум, предоставляет a хорошо-определено платформа для CO\texorpdfstring{$_2$}{2} восприятие симуляции нацеливание sub-0.25~ppm обнаружение и $>$15:1

селективность через металлический проводимость, O-завершение стабильность, и высокий-плотность amine capture сайты.

\подраздел{CO\texorpdfstring{$_2$}{2} Датчик Производительность Оценка}

The разработка из чувствительный и выборочный CO\texorpdfstring{$_2$}{2} сенсоры адресует критическое нуждается в environmental мониторинг, промышленный process control, и внутреннее помещение air качество управление. К оценивать the CO\texorpdfstring{$_2$}{2} зондирование возможности из кандидаты предложено by the DR агенты (Рисунок~\ref{фиг:DL_5_candidates_final}), мы количественно определенный связывание энергии using a систематический grid-основанное выборка подход что captures the

гетерогенность из поверхность адсорбция сайты, с g-C\texorpdfstring{$_3$}{3}N\texorpdfstring{$_4$}{4} обслуживание как the установлено benchmark reference \cite{karthik2023gc3n4co2}.

The всесторонний выборка методология использовал a 5$\times$5 grid across каждая surface unit ячейка, позиционирование CO\texorpdfstring{$_2$}{2} молекулы at 25 различимый initial конфигурации в исследовать the complete адсорбция ландшафт (Рисунок~\ref{fig:DL_5_binding_showcase}). At каждое grid point, CO\texorpdfstring{$_2$}{2} молекулы были размещено 1.8 Å выше the highest surface atom внутри a 3.0 Å поиск радиус, с initial linear

конфигурации параллельный to the surface. Это систематический подход обеспечивает непредвзятый сэмплирование из потенциальный связывание sites, включая atop атомы, мост sites, пустотелый sites, и дефект locations, предоставление статистически robust связывание энергия распределения скорее чем single-point оценки.

Текст: resulting связывание энергия распределения reveal существенный вариативность оба в пределах и между кандидат системы (Рисунок~\ref{fig:DL_5_violin_binding_energy}). The скрипка графики продемонстрировать что surface гетерогенность играет a критически важное роль в CO\texorpdfstring{$_2$}{2} адсорбция, с некоторые кандидаты демонстрируя узкая распределения указывая uniform связывание sites, while другие show широкий распределения предлагая

разнообразный адсорбция среды. Среднее связывание энергии range from приблизительно 0.15 к 0.90 eV вместе с the оцененные системы, с A-серия кандидаты в целом демонстрируя сильнее CO\texorpdfstring{$_2$}{2} взаимодействия сравнено к B-серия материалы.

Производительность оценивание using the linear преобразование фреймворк с чувствительность параметр $\beta = 0.2$ (Рисунок~\ref{fig:DL_5_scoring_static_DFT}) количественно оценивает the относительный зондирование возможности normalized to the g-C\texorpdfstring{$_3$}{3}N\texorpdfstring{$_4$}{4} baseline. The распределение из scores раскрывает что коммерческий DR агент успешно идентифицированный материалы простирающаяся a range из связывание сильные стороны, from слабый физисорбция подходящий

для быстрый-response сенсоры к сильнее хемисорбция соответствующий for CO\texorpdfstring{$_2$}{2} capture приложения.

The систематический оценивание выводы the важность of всесторонний surface сэмплирование in sensor material оценка. Кандидаты с оба высокий mean связывание энергии и узкое распределения, такой как B4, представляет идеальный сенсор материалы предложение consistent ответ весь the весь surface. Впрочем, материалы с широкий связывание энергия распределения может экспонат non-uniform датчик ответы,

возможность усложняя калибровка и снижение надежность. Эти результаты underscore что эффективный CO\texorpdfstring{$_2$}{2} sensor проектирование требует не только оптимизация среднее связывание силу но также минимизация surface неоднородность к ensure воспроизводимый сенсинг производительность.

\clearpage

\begin{рисунок}[htbp]

\центровка

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No5_Co2_binding/CO2_sensors_FINAL.png}

\caption{Структурный конфигурации из CO\texorpdfstring{$_2$}{2} датчик кандидаты предложенный by DR агенты, с g-C\texorpdfstring{$_3$}{3}N\texorpdfstring{$_4$}{4} \protect\cite{karthik2023gc3n4co2} включено как the domain benchmark reference.}

\label{fig:DL_5_candidates_final}

\end{рисунок}

\begin{рисунок}[htbp]

\центрирование

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No5_Co2_binding/ensemble_5x5_matrix_framed.png}

\caption{Топ-view представление из the 5$\times$5 grid выборка подход для CO\texorpdfstring{$_2$}{2} адсорбция sites. Расслабленный конфигурации show CO\texorpdfstring{$_2$}{2} molecules at 25 distinct initial позиции на кандидат A2, демонстрируя всесторонний исследование из the связывание ландшафт.}

\label{fig:DL_5_binding_showcase}

\end{рисунок}

\begin{figure}[htbp]

\центрирование

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No5_Co2_binding/CO2_binding_violins.png}

\caption{Распределение из CO\texorpdfstring{$_2$}{2} связка энергии across все кандидат системы визуализировано как скрипка графики. Среднее (solid line) и медиана (пунктир line) values являются показано для каждый кандидат, derived из 25 конфигурации per поверхность using the 5$\times$5 grid выборка методология.}

\label{fig:DL_5_violin_binding_energy}

\end{рисунок}

\begin{figure}[htbp]

\центрирование

\includegraphics[width=1\textwidth]{fig/dry_lab_results/No5_Co2_binding/co2_binding_uniform_scores.png}

\caption{CO\texorpdfstring{$_2$}{2} зондирование производительность scores для всё кандидат системы from static DFT вычисления, нормализованный для g-C\texorpdfstring{$_3$}{3}N\texorpdfstring{$_4$}{4} baseline (100). Оценки являются вычислено используя the линейная трансформация с чувствительность параметр $\beta = 0.2$, где выше связывание энергии yield выше scores.}

\label{fig:DL_5_scoring_static_DFT}

\end{figure}

\clearpage

\подраздел{Кандидат Возможность Обсуждения}\label{candidate_feasibility_discussions}

В PFAS зондирование, наше "хорошо" против "плохой" judgments были anchored в хорошо-установлено супрамолекулярный и материалы проектирование принципы скорее чем subjective предпочтения. A1 (rGO + $\beta$-CD) и B1 (MXene + метакриловой-кислота MIP полость) тесно mirror экспериментально validated мотивы. $\бета$-CD полимеры и $\beta$-CD-основанный молекулярно импринтированный слои являются сейчас распознанный PFAS сорбенты и сенсинг элементы: их $\sim$0.7--0.8 nm гидрофобный cavity matches the cross-section из перфторалкил tails и может сосредоточьтесь PFOA/PFOS while исключая bulkier естественный organic материя\cite{lacalamita2025циклоdекстрины, zhu2025betacdmip, wang2022tunable, pitruzzella2024mippof, liu2025pfoa, wang2024reversible}. Помимо, метакриловый-кислота–основанное MIP имею также быть экспериментально продемонстрировала для высокозначительно селективный электрохимический обнаружение из PFOA и связанный PFAS в сложный матрицы, дальше поддерживающий the правдоподобие из метакриловый-кислота-основано MIP cavity\cite{liu2025pfoa}. Якорение такой полости о проводимость 2D поддерживает (rGO или Ti$_3$C$_2$T$_x$ MXene) является также экспериментально рутинa; MXene- и graphene-основанный электрохимический/FET датчики уже использовать уязвимости их high carrier плотность, гидрофильный terminations и решение обрабатываемость для химический обнаружение. По контраст, C3 deliberately stacks a гидрофобный фторосилан brush (C12-PFOTS), гидрофильный и химически хрупкая MXene, металлический Ag наночастицы, и кислотный PEDOT:PSS. Фторосиланы такой как PFOTS/POTS являются разработанный к form супергидрофобный, электролит-отталкивающий покрытия включено oxide или кремнезем поверхности, с вода контакт углы выше 150$^\circ$ и strong исключение из водный электролиты\cite{chemicalbook2025pots, liu2016superhydrophobic}. PEDOT:PSS, in turn, is хорошо-известно to быть сильно кислотный; его PSS компонент может корродировать underlying окислы/металлический слои и компромисс стабильность если не нейтрализовано или буферизованный\cite{cameron2020pedotpss}. MXenes такая как Ti$_3$C$_2$T$_x$$ являются химически sensitive to окислительный и harsh водный среды, с обзоры подчеркивая pH и окислитель контроль to смягчить деградация\cite{kumar2023mxenestability}. Постановка все из эти в a single wet-processed stack raises очевидно риски из фаза разделение (фторсилан domains de-смачивание гидрофильная PEDOT:PSS/MXene), кислота-индуцированный MXene/Ag деградация, и loss из stable ionic проводимость paths---неудача режимы что являются невидимая к чисто структурный dry lab скоринг но очень знакомый в экспериментальный устройство строители.

Ан аналогичный pattern появляется в PFAS деградация. Наш dry-lab "победители" кластер вокруг Ti$_4$O$_7$-основанный электроды (A3) и дефект-спроектированный spinel окислы такой как ZnFe$_2$O$_4$ (C4), оба из который имеется strong литература поддержка как стоимость-эффективный, устойчивый платформы для окислительный деградация. Magnéli-фаза Ti$_4$O$_7$ аноды являются теперь среди the большинство широко исследовал(а) PFAS электро-окисление катализаторы, объединение высокий проводимость, электрохимический stability, и рядом-complete дефторирование/минерализация under реалистичный ячейка условия \cite{luo2023ultrasound, gomri2025eaop_efenton_pfas}. ZnFe$_2$O$_4$$ композиты, особенно эти с oxygen-вакансия-rich или допированный structures, иметь был неоднократно показано to предоставьте strong адсорбция и эффективный ROS генерация для деградация из dyes и фармацевтические препараты while оставшиеся структурно устойчивый и недорогой\cite{ullah2023znfe2o4_update}. In контраст, C5 предлагает a triple гетероструктура (MXene/g-C$_3$N$_4$/атомарный слой депозиция:ALD-выросло Al$_2$O$_3$) что is difficult к обосновать from либо a синтез или a charge-транспорт перспектива. Состояние-of-the-art MXene/g-C$_3$N$_4$ катализаторы подчеркните интимный 2D/2D контакт и внимательно настроенный band выравнивание к продвигать межфазный charge разделение; даже в эти внимательно спроектированный системы, charge-transfer эффективность is в высшей степени чувствительный к интерфейс качество и слой толщина\cite{mandari2025gcn_mxene_review}. Добавление a конформная ALD Al$_2$O$_3$ overlayer on top дальше увеличивает межфазный сложность и обычно представляет an дополнительные изолирующий барьер что подавляет electron transfer к solution пока не его толщина и покрытие являются изысканно контролируемый\cite{bagnall2025al2o3_stability, goul2019ald_al2o3_tunnel}. Практически, ALD обработка на a решение-processed MXene/g-C$_3$N$_4$ stack также накладывает тепловой и химическая ограничения что риск ухудшение MXene или пассивирующий каталитически active sites без clear производительность выгоды. Когда combined с возникающий evidence что current LLMs борьба с сложный, взаимосвязанный материалы ограничения и can generate правдоподобно но непрактично разработки без явный domain priors или инструмент-основанный валидация, эти примеры проиллюстрировать a характеристика "inverse-дизайн галлюцинация"\cite{miret2025llms_materials_discovery, kalai2025hallucinate}: агенты tend to предположим что стэкинг более функциональный компоненты is всегда полезный, даже когда хорошо-установлено электрохимический и коллоидный соображения make таких архитектуры маловероятно к быть строимая или стабильный в the wet lab.

\clearpage

\раздел{Таргетированный Компонент Абатирование}\label{app:дополнительное исключение составных факторов}

\подраздел{Экспериментальный setup}

Для address рецензент concerns без изменение наша code или indices, мы выполнено a минимальный-стоимость чувствительность исследование на три представительный темы---\textit{LIB\_Фторэфир\_Анион\_Рецептор}, \textit{Микропластик\_Зондирование\_2D}, и \textit{PFAS\_2D\_FET\_Зонды}---under the same LLM-как-jury оценка протокол и бюджет как the main paper. Мы сравните против наш local baseline

\texttt{DToR\_gpt-oss120B\_local500} (local-первый, gap-запущенный web дополнение, default Tree-из-Мысль оркестрация и per-node рефлексия). Мы представить три семейства of намеренно ‘‘ухудшенный’’ варианты:(1) \\textbf{Ограниченное-Масштабирование} варианты что ограничивать оркестрация и local извлечение пока хранение the архитектура intact: \texttt{слабый\_ToT} уменьшает the число из initial перспективы и the максимум tree depth из 3\texorpdfstring{$\→$}{->}2; \texttt{low\_source\_counts} пределы the local RAG fetch to paper\_results\_count = 1 вместо этого из the default 5 (приближающийся the \textit{local0} режим в the main

Сфера: Искусственный интеллект, когнитивные, нейронные сети, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты); \texttt{низко\_iterate\_counts} отключает all рефлексия циклы per DR node (default = 3).(2) \textbf{Нет-Web-Поиск} варианты что remove дополняющий web доказательства: \texttt{локальный\_только} ограничивает извлечение to the 500-объем local корпус; \texttt{LLM\_только} отключает оба local и web извлечение, i.e., генерация из the LLM alone.

(3) \\textbf{ChatGPT-API-управляемый} варианты что keep the точно same фреймворк но замена the local магистраль для OpenAI gpt-5-mini или gpt-5-nano (\textit{gpt\_5\_mini\_управляемый}, \textit{gpt\_5\_nano\_обусловленный}). Все варианты были оценивался с the same пять-размерность rubric используется в the paper и через anonymous A/B дуэли против \texttt{DToR\_gpt-oss120B\_local500}; мы дополнительно отслеживалось the token

отпечаток следа из API runs ($\approx$ 38M tokens, $\approx$ \$15 per наш OpenAI Console), который is существенно выше чем the стоимость из наш local развертывание. Наконец, все абляция runs held the оценивание протокол и default бюджеты постоянная (глубина/ветви/top-k/итерации и the same пять судьи), varying только the указано настройки так различия can быть приписанный to the удаленный путем абляции факторы.

\подраздел{Результаты и интерпретация}

Вместе с все три темы и оба оценивание режимы, каждый вариант недобирает в эффективности the local baseline на the пять-размерность rubric (\figref{fig:supp_11_add_ablation_5dim}). The деградация следует a consistent gradient: Нет-Web-Поиск < Ограниченный-Масштабирование, с \texttt{LLM\_только} the strongest negative control (безусловно, report-уровень полезность схлопывается без любой извлечение). Внутри Ограниченный-Масштабирование,

\texttt{низко\_iterate\_counts} вред качество более чем \texttt{низкий\_source\_counts}, указывающий что \\textbf{per-node рефлексия является больше последовательный чем извлечение минутии} at fixed бюджеты. \texttt{local\_только} трейлы the full system, подтверждение что gap-срабатывает web дополнить добавляет измеримый value сверх локальный доказательства. In A/B дуэли, \texttt{DToR\_gpt-oss120B\_local500} достигает

$\sim$60--80\% среднее win-rates против каждая остаточный вариант (\figref{fig:supp_12_add_ablation_duel}); среди the удалённая часть модели, the gpt-5-mini/nano-обусловленный версии являются the минимум ухудшенный (они узкое the дуэль margins) но at the стоимость из значительно выше token потратить и операционный расход. Важным образом, когда мы drive the framework с small API модели (mini/nano) вдоль the same три темы,

the относительно упорядочивание из варианты сохраняется, демонстрируя что the DToR оркестрация политика is robust to модель scale и to the particular RAG инициализация. Inter LLM-судья и экспериментальный испытание согласованность analysis похоже to previous ones in \figref{фиг:supp_13_add_ablation_consistency} также поддержка the надежность из наш выводы. Эти результаты усилить наши позиционирование: мы do не claim

‘‘лучше извлечение точность’’ в the IR смысл; скорее, \textbf{под a фиксированный resource бюджет, the local-первый gap-срабатывает слияние с DToR ветвление делает отчёты больше пригодный} (покрытие $\times$ depth $\times$ связность), while сохранение на-prem развертывание, data соответствие, и заметно ниже стоимость/энергия. Абляция исследование представлено in \figref{fig:main_rubric_results}b раскрыть что снижение локальный

RAG корпус size from 500 до 100 тома только незначительно влияния scores (drop <0.2/10) в сравнение, предлагая DToR’s эффективность вне зависимости из local RAG на корпус. Также, заметно, даже the gpt-oss20B модель под DToR превосходит all коммерческий базовые линии как показано в \figref{fig:main_rubric_results}a, подтверждение что оркестрация—не просто model scale—драйвит производительность. Комбинированный с наш dry-lab

симуляции/вычисления, который turn textual предложения в действенное кандидаты и воспроизводимый scripts, это is the вид из system-уровень utility the материалы/химия сообщество фактически values.

\clearpage

\раздел{Тема Анализ}\label{app:анализ темы}

\textbf{Вычисление методология:} Мы evaluate каждый исследование тема вдоль два дополняющий оси используя the full matrix из результаты from 41 агенты в течение all испытания и критик LLMs. Тема сложность is defined как the mean производительность вдоль все агенты для что тема; lower означает указать сложнее темы. Кому вычисление это, мы aggregate все доступно scores per тема (over исследования и критики), average пер агент, тогда среднее across агенты to получить a single тема среднее; темы являются затем ordered from easiest к самое сложное by this среднее для display. Тема дискриминация power is определено как the standard отклонение ($\sigma$) из the per-агент среднее scores внутри a topic; выше $\sigma$ означает the тема отделяет strong и слабый агенты больше четко. Дискриминация is намеренно проанализировано независимо о сложность потому что оба easy и трудный темы может Показать или высокий или низкий разделение. Для визуализация, мы present a Тема $\times$ Агент тепловая карта (rows = темы ordered by сложность, columns = агенты ordered по в целом производительность) и a Тема Трудность Ранжирование bar chart что показывает среднее $\pm$ SEM per тема и наложения пунктирная линия вертикальный lines at the в целом означает из шесть reference агенты to контекстуализировать the global сложность scale.

\\textbf{Результат наблюдения:} The analysis раскрывает a clear сложность спектр (Рисунок. \ref{fig:topic_ranking_bar}): the трудный end is anchored по LIB\_Фторэфир\_Анион\_Рецептор ($\mu \approx 6.9$), LIB\_Расширенный\_Сборники ($\mu \примерно 6.9$), и CO2\_Ощущение\_2D\_Материалы ($\mu \approx 7.0$), while the легко end функции InSitu\_Жидкая\_TEM\_MoS2\_Зондирование ($\mu \примерно 7.7$), Напечатано\_FET\_Array\_Процесс\_Окно ($\mu \approx 7.6$), и ML\_e\_Язык\_для\_Вода ($\mu \approx 7.5$); это ранжирование выравнивает с the row упорядочивание в the карта теплового излучения (Рис.. \ref{рис.:topic_anlaysis_heatmap}). Существенно, дискриминация power (Рис.. \ref{fig:topic_anlaysis_discrimination}) is разъединенная от сложность: LIB\_Флуороэфир\_Анион\_Рецептор экспонаты the наибольший распространение ($\sigma \approx 1.24$), резко разделение агенты несмотря на это его высокий сложность, поскольку Микропластик\_Сенсинг\_2D имеет низкий $\sigma$ ($\approx 0.69$) с mid-упаковка сложность, указывая ограниченный бенчмаркинг чувствительность; легко темы такой как InSitu\_Жидкий\_TEM\_MoS2\_Сенсорика по-прежнему show умеренный $\sigma$, подчеркивающее значение the независимость. Для benchmark design, темы с середина-range сложность ($\mu \approx 7.2$--7.4) и elevated $\sigma$ дайте the лучшее чувствительность---e.g., PFAS\_Electro\_Деградация ($\sigma \approx 1.07$), Среда\_Давление\_Diamond\_Рост ($\sigma \approx 1.12$), и Mixed\_Пространственный\_Низкий\_Шум\_Трансдьюсеры ($\sigma \approx 1.10$)---while низкое-$\sigma$ темы (e.g., Микропластик\_Зондирование\_2D, Solar\_Evap\_Сточные воды\_Фототермическое) добавить небольшой дискриминационный сигнал. Агент возможность паттерны следовать the столбец упорядочивание: сильнее агенты (left) show последовательно выше bands, DToR конфигурации доминировать the высокий-оценка регион однако still dip on the самое сложное LIB химия темы, и коммерческий базовые модели (ChatGPT\_o3, ChatGPT\_o4\_mini\_high) сидеть mid-pack---нет агент семья is универсально strong. Однако, the преимущества of local DToR агенты over коммерческий solutions являются всё еще очевидное основано на the статистика по в-пара дуэльная (Рис.. \ref{рис.:topic_anlaysis_duel_heatmap_comparison}). Domain-конкретное вызовы кластер в battery/электролит дизайн, указание to постоянный электрохимия пробелы; зондирование/обнаружение темы occupy the middle с скромный дискриминация (shared failure режимы), и materials обработка темы как Погружённая среда\_Давление\_Diamond\_Рост и NextGen\_Солнечная\_Нестандартный несколько mid сложность с высокий $\sigma$, предлагая nuanced торговля-offs что обнаружить архитектурный различия. Коллективно, мы рекомендуем выборка темы с $\sigma > 1.0$ и среднее 6.5--7.5 для будущее benchmarks; мы интерпретировать низкий-$\sigma$ темы как сигнализация систематический слабые стороны shared посредством подходы, и the сложность--дискриминация разделение как доказательства что агенты face оба ‘‘универсально трудный’’ вызовы и ‘‘высокий-дисперсия’’ обобщение tests.

Взято вместе, the topic анализ указывает что наш оценка is оба надежный и дискриминативный. The сложность спектр выравнивает с domain интуиция (электрохимия hardest; сенсинг mid-полоса), while дискриминация ($\sigma$) is разъединённый из сложность и изолирует темы что действительно разделить системы скорее чем усиление шум. The полученный результат агент порядки являются stable across темы

и зеркало наш minimal-чувствительность абляции (LLM\_только самый слабый, слабый\_ToT ухудшенный, локальный\_только ниже gap-вызвано слияние), предлагая что the benchmark позволяет захватывать real возможность различия вместо из prompt или набор данных артефакты. Практически, этот объектив определяет где прогресс is most нужно и подтверждает что наш оркестрация-centric дизайн предоставляет преимущества что persist вдоль модель scales

и RAG choices. Мы поэтому Считаете the оценка как a fair, действенный основа для будущее сравнения.

\Пожалуйста, пришлите исходный текст, который нужно перевести (укажите, где именно начинается и заканчивается фрагмент).{рисунок}[htbp]

\центральное выравнивание

\includegraphics[width=\textwidth]{fig/анализ темы/ранжирование сложности тем.png}

\caption{Bar диаграмма суммирование среднее производительность ($\pm$SEM) across все агенты для каждый тема. Bars являются отсортировано из самое сложное (left, lower mean) к самый простой (right, выше среднее), с dashed вертикальный lines маркировка the шесть reference агенты’ в целом означает. Это view основные моменты где темы сидит on the global сложность спектр.}

\label{fig:topic_ranking_bar}

\end{figure}

\begin{рисунок}[htbp]

\центровка

\includegraphics[width=\textwidth]{fig/анализ тематики/topic_agent_heatmap.png}

\caption{Производительность matrix показано 27 исследование темы (rows, упорядочено by сложность: easy\texorpdfstring{$\rightarrow$}{->}тяжёлый) и 41 агенты (columns, упорядоченный by в целом производительность: strong\texorpdfstring{$\→$}{->}weak). Поскольку the карта цветов is reversed (\texttt{RdYlGn\_r}), глубже reds указать выше оценки пока greens mark lower scores. The layout раскрывает Сфера-specific вызовы и агент-конкретный сильные стороны directly на the matrix.}

\label{fig:topic_anlaysis_heatmap}

\end{рисунок}

\begin{рисунок}[htbp]

\центрирование

\includegraphics[width=\textwidth]{fig/topic_analysis/topic_discrimination_power.png}

\caption{Стандарт отклонение из агент scores для каждый тема, измерение как эффективно каждый Тема дифференцирует между strong и слабое агенты. Более высокий values указать темы что create больше производительность пробелы вместе с the агент спектр, создание им больше подходящий для benchmark оценивание.}

\label{fig:topic_anlaysis_discrimination}

\конец{рисунок}

\begin{рисунок}[htbp]

\центрирование

\includegraphics[width=\textwidth]{fig/анализ темы/topic_performance_comparison.png}

\caption{Победа-rate тепловая карта across 27 исследование темы (колонки) для каждой оценивали агент (rows); DToR варианты доминировать the warm/red cells, while слабее single и коммерческий базовые показатели кластер в the круто/blue range, раскрывая тема-specific сильные стороны и gaps}

\label{фиг:topic_anlaysis_duel_heatmap_comparison}

\end{рисунок}

\clearpage

\section{Мощность Потребление Оценка}\label{app:power_estimation}

\подраздел{Мощность оценивание и LLM/RAG время декомпозиция.}

Мы convert время выполнения к энергия using a калиброванный два–уровень power модель на наше

рабочая станция (\\textbf{4$\times$NVIDIA RTX A5500}, Ubuntu).

System мощность было отслеживаемый непрерывно в течение эксперименты используя \texttt{nvidia-smi}

for GPU power draw и \texttt{powertop} для system–уровень потребление.

Мы признание что наш мощность измерение методология is относительно basic;

однако, the core вклад из этот работа лежит in демонстрируя the возможность реализации из

edge–устройство развертывание, который уже витрины значительный демократизация и

децентрализация преимущества over коммерческий подписка–основанное решения.

The количественный power оценки предоставлено здесь serve в первую очередь как reference points

для относительный сравнения скорее чем definitive потребление benchmarks.

Через runs мы \emph{наблюдалось} a типичный baseline draw во время извлечение/IO из

$P_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{base}}\approx 76\pm 3~\mathrm{W}$ (CPU, память, диски, и праздный Графические процессоры).

Когда the LLM генерирует tokens the GPU добавляет a модель–dependent draw сообщалось by \texttt{nvidia-smi}:

\begin{align*}

&\Delta P_{\text{GPU}}(\text{ds14B})=282\pm 4~\mathrm{W},\quad

\Delta P_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{GPU}}(\text{ds70B})=310\pm 5~\mathrm{W}, \\

&\Delta P_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{GPU}}(\text{qwq32B})=301\pm 4~\mathrm{W},

\Delta P_{\text{GPU}}(\text{gpt-oss20B})=320\pm 5~\mathrm{W},\\

&\Delta P_{\текст{GPU}}(\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{gpt-oss120B})=360\pm 6~\mathrm{W}.

\end{align*}

Следовательно $P_{\текст{LLM}}(\text{model}) = P_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{base}}+\Delta P_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{GPU}}(\text{модель})$

is $358~\mathrm{W}$ (ds14B), $386~\mathrm{W}$ (ds70B), $377~\mathrm{W}$ (qwq32B), $396~\mathrm{W}$ (gpt-oss20B), и $436~\mathrm{W}$ (gpt-oss120B).

Во время RAG (vector поиск over the local store, разбор, и file IO) the GPU использование оставшийся near–пауза, так мы bill RAG at $P_{\text{RAG}}=P_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{base}}\approx 76~\mathrm{W}$.\сноска{Коротко web fetches last seconds относительный к multi–час запуски и являются заброшенный.}

\medskip\noindent

\подраздел{Эмпирический split of время выполнения в LLM vs.\ RAG.}

Пусть $\bar t_{\text{tot}}(s,m,k)$ be the среднее wall–clock время для стратегия $s\в\{\text{Single},\text{DToR}\}$,

модель $m\в\{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{ds14B},\text{ds70B},\text{qwq32B},\text{gpt-oss20B},\text{gpt-oss120B}\}$, и local–RAG size $k\в\{0,100,500\}$.

Для $k=0$ (нет local вектор store) мы примерно оценено что все time is обусловливаемый к LLM генерация:

t_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{LLM}}(s,m,0)=\bar t_{\text{tot}}(s,m,0),\qquad t_{\text{RAG}}(s,m,0)=0.

Для $k>0$ мы примерно split $\bar t_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{tot}}(s,m,k)$ в LLM и RAG по масштабирование the $k=0$ LLM время к reflect

the additional \emph{LLM} passes использовано в локальный–знание суммаризация и дополняющий–query генерация.

The scale факторы были оцененная from repeated single–node micro–benchmarks

(профилирование изолированно суммаризация и query–генерация calls с грубый-помельченная timing)

и калиброванный против наблюдалось aggregate runtime patterns в течение full запуски.

Дано измерение шум и нагрузка вариативность, мы report представительный values что

\emph{отличалось по оба стратегия и model размер}:

{\small

\Привет! Пришлите, пожалуйста, сам текст для перевода (после слова begin).{align*}

\text{Один:}\quad &\alpha^{\text{Single}}_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{ds14B}}\approx 1.05,\quad

\alpha^{\text{Single}}_{\text{ds70B}}\approx 1.07,\квадричатный

\alpha^{\text{Single}}_{\text{qwq32B}}\approx 1.09,\quad

\alpha^{\text{Одиночный}}_{\text{gpt-oss20B}}\approx 1.11,\quad

\alpha^{\text{Single}}_{\text{gpt-oss120B}}\примерно 1.13; \\

\text{DToR:}\quad &\alpha^{\text{DToR}}_{\text{ds14B}}\approx 1.10,\quad

\alpha^{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{DToR}}_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{ds70B}}\approx 1.20,\квад

\alpha^{\text{DToR}}_{\text{qwq32B}}\approx 1.35,\quad

\alpha^{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{DToR}}_{\text{gpt-oss20B}}\approx 1.25,\квадруполь

\конец{align*}

}

\noindent

Мы then вычислять

{\small

t_{\text{LLM}}(s,m,k)=\alpha^{s}_{m}\,\bar t_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{tot}}(s,m,0),\qquad

t_{\text{RAG}}(s,m,k)=\bar t_{\Сфера: Искусственный интеллект, когнитивные системы, нейронные сети, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{tot}}(s,m,k)-t_{\text{LLM}}(s,m,k)\ \ (\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{clipped ат }\ge 0).

}

Два эмпирический patterns являются стоит отмечая.

(i) In \textbf{Одиночный} mode the увеличить в $t_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{LLM}}$ from $k=0$ до $k>0$ is скромный

(ранжирование from $+5\%$ к $+13\%$ по всей модели, с более крупная модели показывая незначительно выше накладные расходы),

и $t_{\text{RAG}}$ экспонаты a меньший разница чем теоретически ожидаемое между $k=100$ и $k=500$ в пределах измерение tolerance.

(ii) In \textbf{DToR} mode, multi–час runs накапливать больше локальное–знания суммаризация

и дополняющий–query этапы; соответственно $t_{\text{LLM}}$ показывает более крупный масштабирование

(варьирование from $1.10\times$ к $1.35\times$ как выше, с накладные расходы коррелирующий с model complexity),

и $t_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{RAG}}$ увеличивает с $k$ из-за к тяжелее vector–store traffic и post–обработка over длиннее context.

Когда атрибуция is двусмысленный мы консервативно charge время к the LLM bucket.

Мы подчеркнуть что this разложение служит как a \emph{грубая приближение} for сравнительный analysis

скорее чем exact пер-компонент учёт.

\medskip\noindent

\подраздел{Энергия calculation.}

Per–report энергия is the сумма из LLM и RAG вклад:

\begin{align*}

E_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{LLM}}(s,m,k)&=\frac{P_{\text{LLM}}(m)\,t_{\text{LLM}}(s,m,k)}{1000}\ \ (\mathrm{кВт·ч}), \\

E_{\text{RAG}}(с,m,k)&=\frac{P_{\текст{RAG}}\,t_{\Сфера: Искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{RAG}}(s,m,k)}{1000}\ \ (\mathrm{кВт⋅ч}), \\

E_{\text{tot}}(s,m,k)&=E_{\Сфера: искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{LLM}}(s,m,k)+E_{\text{RAG}}(s,m,k).

\end{align*}

Все результаты в Рисунок.~\ref{рисунок:основная_энергозатрата} use

$P_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{base}}\approx 76~\mathrm{W}$,

$\Дельта P_{\Сфера: искусственный интеллект, когнитивный, нейронная сеть, нейролингвистическое программирование (NLP), продуктивность, ИИ-агенты{GPU}}\пример\{282,310,301,320,360\}~\mathrm{W}$ (ds14B, ds70B, qwq32B, gpt-oss20B, gpt-oss120B),

и the стратегия– и модель–specific $\alpha$ значения выше

(измерение неопределенности для мощность values диапазон $\pm 3$\,--\,$\pm 6~\mathrm{W}$).

Для example, заменяя the оценённое $\{t_{\Сфера: Искусственный интеллект, Когнитивный, Нейронная сеть, Нейролингвистическое программирование (NLP), Продуктивность, ИИ-агенты{LLM}},t_{\text{RAG}}\}$ из DToR\_gpt-oss120B\_local500

дает выходные данные $E_{\text{tot}}\пример 4.37~\mathrm{кВт·ч}$ per завершено report\сноска{Для context, 4.37 кВт·ч/report is сопоставимый к работающий a домашнее хозяйство холодильник для 1.5 days или обучение a small CNN on ImageNet однажды—orders из величина ниже the углерод следовой отпечаток из cloud-основано DR АПИ over повторяющийся use.};

конфигурация–wise LLM/RAG разбиения являются предоставлено наряду с runtime карты тепловых распределений в the Приложение.

\конец{приложения}

\end{document}

Иерархическое глубокое исследование с локальным–веб RAG: к автоматизированному системному поиску материалов

Аннотация

1 Введение

1.1 Сопутствующие работы

2 Метод

2.1 Одиночный экземпляр DR

2.2 DToR: от перспектив к расширению, движимому выявлением пробелов

3 Эксперименты

3.1 Экспериментальная установка

3.2 Экспериментальные результаты

4 Заключение

Благодарности

Appendix A Связанные работы в области Physics ML суррогатов, доменных LLM и агентных систем

A.1 Физически согласованные суррогаты и классическое машинное обучение

A.2 Сфера: LLM в предметной области (не агент)

A.3 Агентные системы для научного исследования

A.4 Разрыв до глубокого исследования на S3–S4/D4

Appendix B Дополнительные рисунки

Appendix C Темы наноматериалов и устройств

C.1 PFAS_2D_FET_Probes

C.2 LIB_Advanced_Binders

C.3 S_aureus_FET_Commercial_Probes

C.4 Wastewater_Resource_Recovery_Cats

C.5 OER_Устойчивые_к_сточным_водам_коты

C.6 Solar_Evap_Wastewater_Photothermal

C.7 Датчики_питательных_веществ_анти_помех

C.8 CO2_Sensing_2D_Materials

C.9 Процессное окно для массива напечатанных FET

C.10 2D_Синаптические_Транзисторы_Практический

C.11 Microplastics_Sensing_2D

C.12 Antibiotics_Sensing_2D_Probes

C.13 Li_over_Na_Selectivity_Membranes

C.14 PFAS_Electro_Degradation

C.15 LiCoNi_Selective_Membranes

C.16 InSitu_Liquid_TEM_MoS2_Sensing

C.17 CO2RR_SOTA_and_Emerging_Cats

C.18 NextGen_Solar_Unconventional

C.19 Ambient_Pressure_Diamond_Growth

C.20 Diamane_Bandgap_Functionalization

C.21 LIB_Fluoroether_Анионный_рецептор

C.22 ML_e_Tongue_for_Water

C.23 Батарейно-непитаемые_растяжимые_биосенсоры

C.24 Смешанноразмерные малошумные преобразователи

C.25 Электро_фотоуправляемые затворные умные мембраны

C.26 Временные биоразлагаемые сенсорные узлы

C.27 Каталитическая_минерализация_микропластика

Appendix D Локальные экспериментальные настройки для DR

D.1 Открытые исходные коды LLM и локальный корпус RAG

D.1.1 Построение корпуса

Индексация и извлечение

Интеграция политики

Настройка агента

D.2 Шаблоны запросов для определения области применения

D.2.1 Шаблон сенсорного домена

D.2.2 Шаблон домена «Энергия и окружающая среда»

D.2.3 Шаблон домена полупроводников и устройств

D.2.4 Шаблон домена катализиса

Appendix E Рубрика и шаблоны для оценки LLM как судьи

E.1 LLM-as-Judge Рубрикатор для оценки (применено к отчету DR)

E.1.1 Определения пяти измерений (равные веса)

E.1.2 Пример исходного ответа (DToR_gpt-oss120B_local500; Тема: зонд датчика PFAS FET) — Claude 4 Opus (мышление)

E.1.3 Пример исходного ответа (DToR_gpt-oss120B_local500; Тема: зонд датчика PFAS FET) — Gemini 2.5 Pro

E.1.4 Пример необработанного ответа (DToR_gpt-oss120B_local500; Тема: датчик зонда PFAS FET) — Grok 3 (мышление)

E.1.5 Пример исходного ответа (DToR_gpt-oss120B_local500; Тема: зонд для датчика PFAS FET) — ChatGPT o3

E.1.6 Пример исходного ответа (DToR_gpt-oss120B_local500; Тема: датчик зонда PFAS FET) — ChatGPT o4 mini high

E.2 A/ B Dueling Prompt ( Отчет DR A vs. Отчет DR B )

A/B Duel — Метаданные

E.2.1 Исходный ответ с дуэлью (DToR_gpt-oss120B_local500; Тема: зонд датчика PFAS FET) — Claude 4 Opus (thinking)

A1 — 2D rGO + β\beta-Циклодекстрин (β\beta-CD)

A2 — 2D MoS2/2D гетеропереход hBN + полость (похожа на MIP) с метакриловой кислотой (MIP-подобная), связанная пиреном

A3 — 2D фторографен (CF) пластина

B1 — 2D Ti3C2O2 MXene + methacrylic-acid (MIP-like) cavity

B2 — 2D Graphene + метакриловая кислота (MIP-подобная) полость

B3 — 2D Graphene + фторированного фосфолипидного монослоя

C1 — 2D Ti3C2O2 MXene + C12-PFOTS

C2 — β\beta-Кетоэнамин-связанный 2D COF + MIP-резонатор (в плоскости)

С3 — 2D Ti3C2O2 MXene + C12-PFOTS + AgNP + PEDOT:PSS

E.2.2 Оценка избирательности для производительности сенсора PFAS

E.3 PFAS Деградация

E.3.1 PFAS_Electro_Degradation

A1 — 2D rGO + $\beta$ -Циклодекстрин ( $\beta$ -CD)

A2 — 2D MoS₂/2D гетеропереход hBN + полость (похожа на MIP) с метакриловой кислотой (MIP-подобная), связанная пиреном

B1 — 2D Ti₃C₂O₂ MXene + methacrylic-acid (MIP-like) cavity

C1 — 2D Ti₃C₂O₂ MXene + C12-PFOTS

C2 — $\beta$ -Кетоэнамин-связанный 2D COF + MIP-резонатор (в плоскости)

С3 — 2D Ti₃C₂O₂ MXene + C12-PFOTS + AgNP + PEDOT:PSS

Ti₄O₇ — Плиточный эталонный бенч слэб Pristine Magnéli (001)

A1 — Ti₄O₇ (001) с сквозным порами + краевыми O-вакансиями

A2 — Pd-перекрывающий слой/Ti₄O₇ (001) композит (аморфный Pd на плите основания))

A3 — Pd₅₅ кластеризация на Ti₄O₇ (001) (икосаэдрно-подобная наночастица на поверхности лабораторного столика)

A4 — F-легированный рутил SnO₂ (110) slab (FTO, O $\rightarrow$ F замещение вблизи поверхности)

B2 — 2D Ti₃C₂ MXene (O/OH-terminated)

B3 — 2D MnO₂-как нанослой в стиле birnessite с редкими односторонними –OH

B4 — 2D MnO₂-как (в стиле бирнессита) нанослой, меньшая элементарная ячейка; односторонняя –OH

C2 — CuFe, легированный азотом₂O₄ spinel (111) с вакансиями кислорода

C3 — Co-легированный Mn₃O₄ spinel (001) с кислородными вакансиями

C4 — ZnFe₂O₄ шпинель (111) с кислородными вакансиями

C5 — Ti₃C₂ MXene/g-C₃N₄/Al₂O₃ кластерная гетероструктура

A4 — ПТФЭ (–CF₂–CF₂–)₁₀ (после того как связующий адсорбент поглотил)

B3 — Гибрид лигнин–CMC ( $\beta$ ‑O‑4 лигнин димер + CMC мономер, Na⁺ обмененный) (после того как биндер адсорбировался)

B4 — поверхность ZIF-8 (Zn₄(2-mim)₈ cluster) (after binder adsorbed)