Tianjin University Team Develops Explainable Descriptor for Electro催化High-Throughput Catalyst Screening

作者智能小编

9 月 26, 2024 #机器之心

天津，2023年9月26日 – 在可再生能源技术领域，开发低成本、高效的高通量筛选催化剂显得尤为重要。近日，天津大学巩金龙教授、赵志坚教授、张鹏教授领衔的研究团队，成功开发了一种通用且可解释的描述符模型ARSC，为电催化反应的活性和选择性预测提供了强有力的工具。

可解释机器学习的挑战与创新

可解释的机器学习通过提取物理意义来加速催化剂设计，然而，这一领域面临着诸多挑战。传统的催化剂设计往往依赖于繁琐的实验和理论计算，耗时且成本高昂。而ARSC模型的问世，无疑为这一领域带来了革命性的变化。

ARSC模型：突破传统界限

ARSC模型通过分析双原子位点的原子属性（A）、反应物（R）、协同（S）和配位效应（C），成功地将这些复杂因素解耦。这一创新性方法不仅简化了催化剂设计过程，而且大大提高了筛选效率。

实验验证与未来展望

在ARSC模型的驱动下，研究人员能够快速找到最佳催化剂，而无需进行50,000多次密度泛函理论计算。这一模型已通过大量已报道的研究和后续实验得到验证。其中，Co-Co/Ir-Qv3被确认为最佳的双功能氧还原和析氧电催化剂。

该研究成果以“Machine learning-assisted dual-atom sites design with interpretable descriptors unifying electrocatalytic reactions”为题，于9月17日发表在《Nature Communications》上，为高维系统的智能催化剂设计开辟了新道路。