机器学习辅助催化剂设计，天大团队开发通用且可解释的描述符

文章预览

将 ScienceAI   设为 星标 第一时间掌握 新鲜的 AI for Science 资讯 编辑 | KX 低成本、高效的催化剂高通量筛选对于未来的可再生能源技术至关重要。可解释的机器学习通过提取物理意义来加速催化剂设计，但面临着巨大的挑战。 近日，天津大学巩金龙教授、赵志坚教授、张鹏教授团队开发了 一种通用且可解释的描述符模型 ARSC，用于统一多种电催化反应的活性和选择性预测。 该模型仅利用易于获取的内在属性， 成功地解耦了双原子位点的原子属性（A）、反应物（R）、协同（S）和配位效应（C）。 在 ARSC 的驱动下，研究人员可以快速找到各种产品的最佳催化剂，而无需进行 50,000 多次密度泛函理论计算。 该模型的普适性已得到大量已报道的研究和后续实验的验证，其中 Co-Co/Ir-Qv3 被确定为最佳的双功能氧还原和析氧电催化剂。该研究为高维系统的智 ………………………………