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，可以通過從歷史數據中學習而無需顯式編程來識別定量結構-活性關系用以加速電催化材料的設計。算法、數據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構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了機器學習在電催化材料設計中的應用，發(fā)現綜合應用幾何結構描述符、電子結構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）