一级黄色网站在线视频看看,久久精品欧美一区二区三区 ,国产偷国产偷亚洲高清人乐享,jy和桃子为什么绝交,亚洲欧美成人网,久热九九

如何進行價格便宜和高效率的高通量篩選催化劑是發展未來可再生能源技術的關鍵，機器學習技術是強有力的技術，能夠加快發現重要物理信息和設計催化劑，但是機器學習用于催化劑的設計目前面臨著巨大挑戰。

有鑒于此，天津大學鞏金龍教授、趙志堅教授、張鵬教授等報道描述可解釋的描述符模型，能夠通過使用容易得到的性質，對多種類型電催化反應的催化活性和選擇性進行統一的預測（包括O₂/N₂/CO₂還原、OER反應）。

本文要點

（1）

這個描述符稱為ARSC，能夠將原子性質（A）、反應物（R）、協同效應（S）、配位（C）對于雙原子催化劑的d能帶結構形狀分別起到的作用。作者通過發展的物理意義特征工程與特征選擇/稀疏化（PFESS，physically meaningful feature engineering and feature selection/sparsification）方法實現的。

（2）

使用這個描述符能夠快速的快速的優化催化劑，避免了50000個DFT理論計算。這種模型具有普適性，對大量文獻報道和相關實驗進行驗證，發現Co-Co/Ir-Qv3是最好的OER/ORR雙功能電催化劑。這項工作有助于通過給出物理意義的方式進行智能設計催化劑。

參考文獻

Lin, X., Du, X., Wu, S. et al. Machine learning-assisted dual-atom sites design with interpretable descriptors unifying electrocatalytic reactions. Nat Commun 15, 8169 (2024). 

DOI: 10.1038/s41467-024-52519-8

https://www.nature.com/articles/s41467-024-52519-8