机器学习（ML）正在迅速成为氢能行业中构建和优化电催化剂的关键工具，这些电催化剂可以增强电化学反应，如析氢反应（HER）、析氧反应（OER）、氢氧化反应（HOR）和氧还原反应（ORR）。近日，芝加哥大学陈俊宏、陈宇新、南京大学王学斌综述研究了机器学习在电化学氢能转换电催化剂设计中的应用。

本文要点：

1)通过使用高通量实验的实验数据和密度泛函理论（DFT）等模拟的计算数据，ML方法很容易识别电催化剂性能和关键材料描述符之间的复杂相关性。利用其独特的速度和准确性，机器学习利用其模式识别能力促进了新候选物的发现和已知产品的改进。

2) 作者根据不同电化学反应的常用材料类型全面概述了机器学习驱动的研究，以说明机器学习如何熟练地驾驭这些复杂的描述符。作者进一步强调了ML在未来发现和开发氢能转化电催化剂中的关键作用，并讨论了这一重点领域内需要填补的潜在挑战。

参考文献：

Rui Ding et.al Unlocking the potential: machine learning applications in electrocatalyst design for electrochemical hydrogen energy transformation Chem. Soc. Rev. 2024

DOI: 10.1039/D4CS00844H

https://doi.org/10.1039/D4CS00844H