作为数据挖掘和数据分析的关键技术，随着大数据的兴起，机器学习(ML)正在逐渐改变人们发现材料的方式。催化信息学从催化的计算研究中崛起，把研究人员从繁重的试错调查中解放出来。然而，ML在析氢反应(HER)电催化方面仍处于早期阶段，仍有许多未开发的机会。

有鉴于此，清华大学朱宏伟教授等人，着重介绍了近年来在ML辅助识别高性能过渡金属(TM)基HER电催化剂方面取得的进展。

本文要点

1）着重介绍了有关机器学习中的特征工程（描述符）以及基于TM的HER电催化剂的深度学习在图像识别中的潜在应用的代表性研究。除了作为发现电催化剂的有力手段之外，这些数据驱动技术还使人们对基于TM的材料的内在特性与其电催化性能之间的关系有了更深入的了解。展望了ML引导TM基HER电催化剂的发展前景，为该领域的进一步研究提供了启发。

2）尽管ML在实践中取得了成功，但在HER的电催化研究中仍处于早期阶段，还有许多未开发的研究机会。ML和DL辅助的电催化剂的探索仍有很大的改进空间。首先，应该进一步开发多阶段工作流程，以提高ML在发现有前途的HER电催化剂方面的效率和准确性。其次，将不同类型的信息整合在一起是实现高精度预测的有效途径。第三，应该开发更多不依赖特征工程的ML模型，例如图网络，它对原子描述符的选择不太敏感，并且支持关系推理和组合泛化。然后，应通过总结文献中报道的方法和高通量实验来建立基于TM的材料的制备条件的数据库。在这些数据库的基础上，可以建立活性物质与制备条件之间的确切关系，这对于实现ML筛选的HER电催化剂的工业应用具有重要意义。此外，对TM型电催化剂的催化性能的评估应在燃料电池中以实际水平进行，而不仅限于电化学测试。近年来，通过设计AI辅助分析和预测模型，对基于非贵金属电催化剂的质子交换膜燃料电池（NPME基PEMFC）进行了深入研究。

参考文献：

Min Wang et al. Machine Learning for Transition-Metal-Based Hydrogen Generation Electrocatalysts. ACS Catal., 2021.

DOI: 10.1021/acscatal.1c00178

https://doi.org/10.1021/acscatal.1c00178