機器學習（ML）正在迅速成為氫能行業中構建和優化電催化劑的關鍵工具，這些電催化劑可以增強電化學反應，如析氫反應（HER）、析氧反應（OER）、氫氧化反應（HOR）和氧還原反應（ORR）。近日，芝加哥大學陳俊宏、陳宇新、南京大學王學斌綜述研究了機器學習在電化學氫能轉換電催化劑設計中的應用。
本文要點：
1)通過使用高通量實驗的實驗數據和密度泛函理論（DFT）等模擬的計算數據，ML方法很容易識別電催化劑性能和關鍵材料描述符之間的復雜相關性。利用其獨特的速度和準確性，機器學習利用其模式識別能力促進了新候選物的發現和已知產品的改進。
2) 作者根據不同電化學反應的常用材料類型全面概述了機器學習驅動的研究，以說明機器學習如何熟練地駕馭這些復雜的描述符。作者進一步強調了ML在未來發現和開發氫能轉化電催化劑中的關鍵作用，并討論了這一重點領域內需要填補的潛在挑戰。
Rui Ding et.al Unlocking the potential: machine learning applications in electrocatalyst design for electrochemical hydrogen energy transformation Chem. Soc. Rev. 2024
DOI: 10.1039/D4CS00844H
https://doi.org/10.1039/D4CS00844H
