如何准确并且快速获取材料的微观性质对于催化和电催化领域的研究非常重要。光谱等表征技术能够研究材料的微观性质，而且通过与机器学习结合后能够快速准确的预测光谱等表征结果。但是机器学习模型的应用需要模型的训练，并且面临着数据不均匀和溶剂性质不同等问题。

有鉴于此，中国科学技术大学江俊、王洋等通过第一性原理和数据模型之间结合的策略，使用DFT理论计算了23种不同溶剂体系的CO-Ag吸附光谱，并且通过分层知识提取的混合专家系统和神经网络（HMNN, hierarchical knowledge extraction multiexpert neural network），能够有助于理解不同溶剂体系之间的未知信息。

本文要点：

（1）

进行两个训练层次：在第一层的训练中，对光谱-性质之间的关系进行定量，得到光谱-性质的定量关系QSPRs（quantitative spectra–property relationships）；在第二层的训练中，将第一层训练的光谱-性质定量关系和动态专家模块和理解溶剂的区别进行集成。

（2）

这项工作展示HMNN能够非常有效的理解分子吸附的性质，对于未知溶剂的吸附预测的误差小于0.008 eV。这项工作展示了HMNN技术的可用性、可靠性和方便性，有助于QSPR实时获取材料的微观性质。

参考文献

Wenjie Du, Fenfen Ma, Baicheng Zhang, Jiahui Zhang, Di Wu, Edward Sharman, Jun Jiang*, and Yang Wang*，Spectroscopy-Guided Deep Learning Predicts Solid–Liquid Surface Adsorbate Properties in Unseen Solvents, J. Am. Chem. Soc. 2023

DOI: 10.1021/jacs.3c10921

https://pubs.acs.org/doi/10.1021/jacs.3c10921