掺杂是一种用于太阳能光电化学（PEC）水分解的金属氧化物半导体调谐的有效策略。尽管已经经过了几十年的大量研究，掺杂剂的选择仍然在很大程度上依赖于一种反复试验的方法。机器学习（ML）在为高性能PEC系统的掺杂剂选择提供可预测的洞察力方面很有希望，它可以揭示掺杂剂的大量特征和掺杂光电极的PEC性能之间看似模糊的联系。

基于此，澳大利亚昆士兰大学王连洲教授，麻省理工学院Shijing Sun报道了首次将ML应用于研究选择掺杂剂的关键标准，以实现改善光电极的PEC响应。

文章要点

1）以Fe₂O₃作为典型的半导体候选者，使用从17种类型的掺杂剂(每种掺杂剂包含5种不同的掺杂剂浓度)获得的数据来训练ML模型。在ML研究中，采用了10个本征特征(如原子序数、离子半径、化学价等)和1个加工特征(掺杂浓度)作为描述符，并应用了6种不同的算法，包括基线线性回归(LR)、RF、GB、支持向量回归(SVR)、k近邻回归(KNN)和神经网络(NN)。

2）利用训练好的ML模型，研究人员成功地预测了分别掺杂La和Y的Fe₂O₃光阳极的电荷分离和转移（CST）性能。然后通过SHapley Additive exPlanations （SHAP）分析对这些描述符的重要性进行排序，评估了PEC过程中化学态、金属氧键形成焓和离子半径对CST的相对影响。

3）ML引导的掺杂剂选择被进一步扩展到典型的基于CuO的光电阴极设计，从而展示了这种数据驱动方法的一般特性。

参考文献

Zhiliang Wang, et al, Machine learning guided dopant selection for metal oxide based photoelectrochemical water splitting: the case study of Fe₂O₃ and CuO, Adv. Mater. 2021

DOI: 10.1002/adma.202106776

https://doi.org/10.1002/adma.202106776