无形高电催化剂的自动发现和最佳生成
Zhanwu Lei1, Yan Huang1, Yuanmin Zhu2,3
1State Key Laboratory of Precision and Intelligent Chemistry, School of Chemistry and Materials Science, University of Science and Technology of China, Hefei 230026, China.
Journal of the American Chemical Society
|June 12, 2025
概括
研究人员开发了一种机器学习方法,以发现氧化物演化反应 (OER) 的最佳无形高氧化电催化剂. 这种方法有效地识别了高性能催化剂,克服了设计复杂材料的挑战.
科学领域:
- 材料科学
- 电化学
- 催化剂
背景情况:
- 无形高材料具有工业潜力,但缺乏优化定义的结构-活动关系.
- 设计和优化这些材料用于催化等应用仍然是一个重大挑战.
研究的目的:
- 在整个设计空间中发现和优化性高氧化电催化剂用于氧演化反应 (OER).
- 建立由机器学习驱动的组成-活动关系,以有效地发现催化剂.
主要方法:
- 使用合成系统探索超过1,900,000种无形高氧化物电催化剂的组成.
- 采用机器学习 (ML) 技术来建立组合-活动关系并确定最佳的催化剂组合.
- 来自六种非贵金属的超薄二维协调聚合物的催化剂,在现场转化为无形氧化.
主要成果:
- 通过设计空间的ML指导探索,确定了无形高电催化剂的最佳组合组.
- 已验证的ML模型具有高回忆率 (近100%),准确地分类高和低活性区域.
- 在性OER中实现了超低的超电位 (159 mV在10 mA cm-2) 和特殊的耐用性 (10,218 h在1 A cm-2).
结论:
- 开发了一种用于无形高氧化电催化剂的自动发现和优化的一般策略.
- 基于ML的方法对各种应用的先进无形高材料的开发产生了重大影响.
- 证明了无形高电催化剂对高效和持久的氧演变反应的潜力.
更多相关视频
10:57Synthesis and Performance Characterizations of Transition Metal Single Atom Catalyst for Electrochemical CO2 Reduction
Published on: April 10, 2018
18.1K
08:40Synthesis of Metal Nanoparticles Supported on Carbon Nanotube with Doped Co and N Atoms and its Catalytic Applications in Hydrogen Production
Published on: December 6, 2021
3.5K
