高熵合金（HEA）是一類非常有前途的電催化材料，因為其獨特的活性位點分布打破了限制傳統過渡金屬催化劑活性的結垢關系。現有的基于貝葉斯優化 (BO) 的虛擬篩選方法將催化活性作為唯一目標，相應地傾向于識別不太可能實現熵穩定的有前途的材料。
基于此，為了深入研究更高維的組成空間，選擇組成元素，并發現具有多種所需特性的新型催化劑，拜羅伊特大學Johannes T. Margraf提出了一個數據高效的多目標 BO 框架，允許沿著 Pareto 前沿進行不同的權衡。
文章要點
1）作為展示，研究人員重點關注用于氧還原反應 (ORR) 的 HEA 電催化劑的發現，其成分最多包含 10 種元素。當假設摩爾分數步長為 1% 時，這相當于大約 4.3 × 1012 個可能的 HEA，因此比 5 元素空間 (4.6 × 106 ) 大 6 個數量級。
2）研究人員在這個巨大的設計空間中同時優化催化活性、成本效益和混合熵，并提出了一些有前途的 HEA。研究結果凸顯了機器學習代理模型驅動的多目標優化在材料發現方面的前景。
參考文獻
Wenbin Xu, et al, Discovering High Entropy Alloy Electrocatalysts in Vast Composition, Spaces with Multiobjective Optimization, J. Am. Chem. Soc., 2024
https://doi.org/10.1021/jacs.3c14486
