机器学习(ML)算法将使传统的材料优化方法发生革命性的变化。

在这里，同济大学Lan Ling，南洋理工大学Shuzhou Li 通过发展一种包括建模、训练和预测的方法，扩大ML的使用范围，以帮助构建类Fenton单原子催化剂(SACs)。

文章要点

1）该方法可以有效地提取对Fenton活性有重要影响的合成参数，并准确地预测囊的苯酚降解率k，平均误差为±0.018 min⁻¹。

2）具有加速学习的扩展合成窗口使人们认识到，在SAC合成过程中的加热温度显著影响Fe−N配位数，这最终决定了它们的性能。通过ML引导的优化，确定了一个以Fe-N5位点为主的高效SAC(k=0.158 min⁻¹)。

研究工作为ML辅助优化单原子配位环境提供了一个范例，展示了ML在加速开发高性能催化剂方面的可行性。

参考文献

Haoyang Fu, et al, Machine-Learning-Assisted Optimization of a Single-Atom Coordination Environment for Accelerated Fenton Catalysis, ACS Nano, 2023

DOI: 10.1021/acsnano.3c03610

https://doi.org/10.1021/acsnano.3c03610