骆静利/符显珠AFM: 通过基于描述符的机器学习实现卓越的电催化剂设计 2023年10月15日 下午4:10 • 未全平台发布, 顶刊 • 阅读 4 机器学习(ML)正在成为一种强大的工具,可通过从历史数据中学习而无需显式编程来识别定量结构-活性关系以加速电催化剂设计。算法、数据/数据库和描述符通常是ML的决定性因素,而描述符在电催化中起着举足轻重的作用,因为它们包含了物理化学性质的催化本质。 在此,深圳大学骆静利教授、符显珠教授等人从电催化剂设计描述符的选择策略及ML对析氢反应(HER)、析氧反应(OER)、氧还原反应(ORR)、CO2还原反应(CO2RR)和氮还原反应(NRR)等挑战的改进,总结了ML在电催化领域的应用。 具体而言,为了阐明描述符选择策略,作者详细讨论了电催化定量表示的几何、电子和活性描述符。此外,还综述了ML在应对电催化领域挑战方面的进展,包括减少贵金属负载、提高催化活性和打破吸附中间体的线性关系等。随后,讨论了ML在电催化研究中的局限性、问题等。最后,针对潜在的能量存储和转换应用,例如氢、甲醇、乙醇氧化反应及锂硫电池的硫氧化反应,给出了电催化剂设计中ML应用的挑战和前景。 图1. 基于态密度和ML预测的尖晶石氧化物OER机制 作者展望了电催化剂设计中ML应用的挑战和前景: (1)缺乏ML应用程序的标准数据集限制了其更广泛的适用性。 (2)如何有效地从ML中提取物理洞察力也是一个巨大的挑战,适当的描述符选择、ML方法的交叉验证及理论、实验数据的相互验证可能是潜在的有效方法。 (3)真实电催化环境下ML学习数据的缺乏是对真实电催化预测的一个挑战。 (4)ML在电催化中的应用缺乏标准方法和系统指导也是一个挑战。 (5)目前对电催化剂设计的经验ML分析仍然有限,随着现代技术的发展以及对新型电催化剂的需求不断增长,ML无疑将在其辅助设计中发挥越来越大的作用。 图2. 人工神经网络用于设计高效的NRR电催化剂 Toward Excellence of Electrocatalyst Design by Emerging Descriptor-Oriented Machine Learning, Advanced Functional Materials 2022. DOI: 10.1002/adfm.202110748 原创文章,作者:v-suan,如若转载,请注明来源华算科技,注明出处:https://www.v-suan.com/index.php/2023/10/15/fb35ce1e48/ 电池 赞 (0) 0 生成海报 相关推荐 黄少铭教授AM:锂金属电池中选择性全固态超离子传导双层两性离子金属有机框架 2023年10月3日 邓德会/于良/王野,最新Nature子刊! 2023年11月3日 冯新亮院士,最新Nature子刊! 2023年10月2日 “木头大王”胡良兵2021年终汇总,快速烧结与电池进展! 2023年10月13日 延世大学Small:Nb-CMO4@CxSyNC电极助力FQSCs 2022年12月9日 同济黄云辉/伽龙Angew:自修复和脱溶剂化屏蔽层实现高容量长寿命锌负极 2023年10月15日