机器学习辅助的高通量选用于电催化进化反应
Guohao Yin1, Haiyan Zhu1,2, Shanlin Chen1,2
1Shaanxi Key Laboratory for Theoretical Physics Frontiers, Institute of Modern Physics, Northwest University, Xi'an 710069, China.
Molecules (Basel, Switzerland)
|February 26, 2025
概括
机器学习和高通量计算加速了高效演变反应 (HER) 电催化剂的发现. 这种方法有助于通过优化催化剂性能来开发可持续的能解决方案.
科学领域:
- 材料科学 材料科学 材料科学
- 能源科学 能源科学
- 计算化学计算化学
背景情况:
- 是一种关键的清洁能源载体,具有未来能源供应的巨大潜力.
- 进化反应 (HER) 对于解决能源短缺和环境问题至关重要.
- 开发稳定高效的HER电催化剂是必不可少的,但成本高昂.
研究的目的:
- 审查高吞吐量计算和机器学习的整合,用于HER电催化剂的开发.
- 突出机器学习在预测建模和用于催化活动的特征提取中的作用.
- 提供关于未来挑战和该领域的研究方向的见解.
主要方法:
- 综述了结合高通量计算和机器学习的研究.
- 机器学习应用在预测电催化剂性能方面的分析.
- 检查特征提取技术,以确定关键的催化性质.
主要成果:
- 机器学习显著提高了HER电催化剂的选和开发.
- 使用ML构建的预测模型可以准确预测催化剂活性.
- 可以有效地提取影响催化性能的关键特征.
结论:
- 高通量计算和机器学习的协同作用为设计先进的 HER 电催化剂提供了一个强大的范式.
- 这种综合方法有望降低成本,加快向经济过渡.
- 进一步的研究应该专注于改进ML模型并探索新的计算策略.


