對可持續能源需求的激增刺激了對燃料電池、水分解和金屬空氣電池等電化學轉換裝置的深入研究，氧電催化劑的性能顯著影響整體電化學效率。近日，韓國科學技術院Kang Taek Lee、韓國能源研究所Chan-Woo Lee提出了一種計算框架，該框架將機器學習和密度泛函理論（DFT）計算相結合，用于系統篩選1240種尖晶石氧化物。
本文要點：
1) 在提高預測準確性的同時，作者解決了數據稀缺的問題，并且選定的材料優于基準鈣鈦礦氧化物。此外，作者還強調了它們作為混合離子和電子導體的潛力，以及離子擴散路徑的3D網絡。
2) 為了進一步加深對穩定性、催化活性和反應機理的理解和預測，作者引入了一種新的描述符：共價性指示劑。該研究為開發高性能尖晶石氧化物氧電催化劑提供了設計原則。
Incheol Jeong et.al A Machine Learning-Enhanced Framework for the Accelerated Development of Spinel Oxide Electrocatalysts Adv. Energy Mater. 2024
DOI: 10.1002/aenm.202402342
https://doi.org/10.1002/aenm.202402342
