骆静利/符显珠AFM: 通过基于描述符的机器学习实现卓越的电催化剂设计

机器学习（ML）正在成为一种强大的工具，可通过从历史数据中学习而无需显式编程来识别定量结构-活性关系以加速电催化剂设计。算法、数据/数据库和描述符通常是ML的决定性因素，而描述符在电催化中起着举足轻重的作用，因为它们包含了物理化学性质的催化本质。

在此，深圳大学骆静利教授、符显珠教授等人从电催化剂设计描述符的选择策略及ML对析氢反应（HER）、析氧反应（OER）、氧还原反应（ORR)、CO₂还原反应（CO₂RR）和氮还原反应（NRR）等挑战的改进，总结了ML在电催化领域的应用。

具体而言，为了阐明描述符选择策略，作者详细讨论了电催化定量表示的几何、电子和活性描述符。此外，还综述了ML在应对电催化领域挑战方面的进展，包括减少贵金属负载、提高催化活性和打破吸附中间体的线性关系等。随后，讨论了ML在电催化研究中的局限性、问题等。最后，针对潜在的能量存储和转换应用，例如氢、甲醇、乙醇氧化反应及锂硫电池的硫氧化反应，给出了电催化剂设计中ML应用的挑战和前景。

图1. 基于态密度和ML预测的尖晶石氧化物OER机制

作者展望了电催化剂设计中ML应用的挑战和前景：

（1）缺乏ML应用程序的标准数据集限制了其更广泛的适用性。

（2）如何有效地从ML中提取物理洞察力也是一个巨大的挑战，适当的描述符选择、ML方法的交叉验证及理论、实验数据的相互验证可能是潜在的有效方法。

（3）真实电催化环境下ML学习数据的缺乏是对真实电催化预测的一个挑战。

（4）ML在电催化中的应用缺乏标准方法和系统指导也是一个挑战。

（5）目前对电催化剂设计的经验ML分析仍然有限，随着现代技术的发展以及对新型电催化剂的需求不断增长，ML无疑将在其辅助设计中发挥越来越大的作用。

图2. 人工神经网络用于设计高效的NRR电催化剂

Toward Excellence of Electrocatalyst Design by Emerging Descriptor-Oriented Machine Learning, Advanced Functional Materials 2022. DOI: 10.1002/adfm.202110748

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/fb35ce1e48/

骆静利/符显珠AFM: 通过基于描述符的机器学习实现卓越的电催化剂设计

相关推荐