如何进行价格便宜和高效率的高通量筛选催化剂是发展未来可再生能源技术的关键，机器学习技术是强有力的技术，能够加快发现重要物理信息和设计催化剂，但是机器学习用于催化剂的设计目前面临着巨大挑战。

有鉴于此，天津大学巩金龙教授、赵志坚教授、张鹏教授等报道描述可解释的描述符模型，能够通过使用容易得到的性质，对多种类型电催化反应的催化活性和选择性进行统一的预测（包括O₂/N₂/CO₂还原、OER反应）。

本文要点

（1）

这个描述符称为ARSC，能够将原子性质（A）、反应物（R）、协同效应（S）、配位（C）对于双原子催化剂的d能带结构形状分别起到的作用。作者通过发展的物理意义特征工程与特征选择/稀疏化（PFESS，physically meaningful feature engineering and feature selection/sparsification）方法实现的。

（2）

使用这个描述符能够快速的快速的优化催化剂，避免了50000个DFT理论计算。这种模型具有普适性，对大量文献报道和相关实验进行验证，发现Co-Co/Ir-Qv3是最好的OER/ORR双功能电催化剂。这项工作有助于通过给出物理意义的方式进行智能设计催化剂。

参考文献

Lin, X., Du, X., Wu, S. et al. Machine learning-assisted dual-atom sites design with interpretable descriptors unifying electrocatalytic reactions. Nat Commun 15, 8169 (2024). 

DOI: 10.1038/s41467-024-52519-8

https://www.nature.com/articles/s41467-024-52519-8