機器學習是一種強大的具有自主學習功能的人工智能工具，可以通過從歷史數(shù)據(jù)中學習而無需顯式編程來識別定量結(jié)構(gòu)-活性關(guān)系用以加速電催化材料的設計。算法、數(shù)據(jù)和描述符通常是機器學習的決定性因素，其中描述符因為包含了電催化材料的物理化學性質(zhì)而在電催化反應中起著舉足輕重的作用。如何應用描述符來彌合電催化材料的結(jié)構(gòu)和活性之間的差距是電催化材料的機器學習設計的一大挑戰(zhàn)。

近日，深圳大學材料學院駱靜利院士團隊總結(jié)了機器學習在電催化材料設計中的應用，發(fā)現(xiàn)綜合應用幾何結(jié)構(gòu)描述符、電子結(jié)構(gòu)描述符和活性描述符可以很好的設計電催化劑的活性。揭示了這些描述符在電催化材料設計中應用的一般規(guī)則，并針對析氫反應、析氧反應、氧還原反應、二氧化碳還原反應和氮還原反應等眾所周知的電催化過程中的挑戰(zhàn)，對其潛在應用做出了一些前瞻性的預測。

相關(guān)成果發(fā)表在Advanced Functional Materials（影響因子18.819，中科院JCR一區(qū)，TOP期刊）上。深圳大學駱靜利院士、符顯珠教授為文章通訊作者。深圳大學劉建文研究員為論文第一作者。

該研究得到了國家自然科學基金委員會、深圳市科技創(chuàng)新委員會以及深圳大學高層次人才啟動基金的大力支持。

全文鏈接：https://onlinelibrary.wiley.com/doi/10.1002/adfm.202110748

（材料學院）