机器学习设计ORR催化剂

据国内媒体报道：近日，国际著名能源期刊《Nature Energy》上报道了一篇通过机器学习筛选材料和实验验证的方式，加速发展高性能ORR电催化剂的文章。利用这种机器学习驱动新型电催化材料发展的方法，发现了离子Lewis酸强度能够非常好的描述钙钛矿氧化物的催化活性。作者从6871种特定组分的钙钛矿材料中筛选了四种可能具有高活性的氧化物，并且通过实验验证其具有优异的催化活性。实验表征结果显示，通过降低钙钛矿的A位、提高钙钛矿的B位离子Lewis酸强度，能够显著的改善表面交换反应动力学。通过DFT理论计算说明催化活性的改善主要归因于A、B位点的极性分布变化导致，并且能够降低氧空穴的形成能和氧空穴的移动能垒。

该文章是由香港理工大学倪萌、南京工业大学邵宗平、深圳大学谢和平等人共同完成。文章介绍机器学习技术已成功应用于开发高活性燃料电池阴极。 和以前的DFT 方法相比，他们的方法仅仅依靠分子式无需建立分子模型在机器训练后就能预测材料属性，因此该方法具有低成本和高开发效率的特性。然而，作为一种数据驱动的方法，数据的数量和数据质量直接影响机器学习的准确性。目前低温燃料电池的相关数据不足难以实现催化活性的预测，因此为了未来机器学习的发展，需要加快材料数据库的建立。

原文下载连接如下：https://www.nature.com/articles/s41560-022-01098-3#Fig1