機器學習設計ORR催化劑

據國內媒體報道：近日，國際著名能源期刊《Nature Energy》上報道了一篇通過機器學習篩選材料和實驗驗證的方式
，加速發展高性能ORR電催化劑的文章。利用這種機器學習驅動新型電催化材料發展的方法，發現了離子Lewis酸強度能夠非常好的描述鈣鈦礦氧化物的催化活性。作者從6871種(zhong)特(te)定(ding)組(zu)分(fen)的(de)鈣(gai)鈦(tai)礦(kuang)材(cai)料(liao)中(zhong)篩(shai)選(xuan)了(le)四(si)種(zhong)可(ke)能(neng)具(ju)有(you)高(gao)活(huo)性(xing)的(de)氧(yang)化(hua)物(wu)，並(bing)且(qie)通(tong)過(guo)實(shi)驗(yan)驗(yan)證(zheng)其(qi)具(ju)有(you)優(you)異(yi)的(de)催(cui)化(hua)活(huo)性(xing)。實(shi)驗(yan)表(biao)征(zheng)結(jie)果(guo)顯(xian)示(shi)，通(tong)過(guo)降(jiang)低(di)鈣(gai)鈦(tai)礦(kuang)的(de)A位、提高鈣鈦礦的B位離子Lewis酸強度，能夠顯著的改善表麵交換反應動力學。通過DFT理論計算說明催化活性的改善主要歸因於A、B位點的極性分布變化導致
，並且能夠降低氧空穴的形成能和氧空穴的移動能壘。

該文章是由香港理工大學倪萌、南京工業大學邵宗平、深圳大學謝和平等人共同完成。文章介紹機器學習技術已成功應用於開發高活性燃料電池陰極。 和以前的DFT 方(fang)法(fa)相(xiang)比(bi)，他(ta)們(men)的(de)方(fang)法(fa)僅(jin)僅(jin)依(yi)靠(kao)分(fen)子(zi)式(shi)無(wu)需(xu)建(jian)立(li)分(fen)子(zi)模(mo)型(xing)在(zai)機(ji)器(qi)訓(xun)練(lian)後(hou)就(jiu)能(neng)預(yu)測(ce)材(cai)料(liao)屬(shu)性(xing)，因(yin)此(ci)該(gai)方(fang)法(fa)具(ju)有(you)低(di)成(cheng)本(ben)和(he)高(gao)開(kai)發(fa)效(xiao)率(lv)的(de)特(te)性(xing)。然(ran)而(er)
，作(zuo)為(wei)一(yi)種(zhong)數(shu)據(ju)驅(qu)動(dong)的(de)方(fang)法(fa)，數(shu)據(ju)的(de)數(shu)量(liang)和(he)數(shu)據(ju)質(zhi)量(liang)直(zhi)接(jie)影(ying)響(xiang)機(ji)器(qi)學(xue)習(xi)的(de)準(zhun)確(que)性(xing)。目(mu)前(qian)低(di)溫(wen)燃(ran)料(liao)電(dian)池(chi)的(de)相(xiang)關(guan)數(shu)據(ju)不(bu)足(zu)難(nan)以(yi)實(shi)現(xian)催(cui)化(hua)活(huo)性(xing)的(de)預(yu)測(ce)，因(yin)此(ci)為(wei)了(le)未(wei)來(lai)機(ji)器(qi)學(xue)習(xi)的(de)發(fa)展(zhan)，需(xu)要(yao)加(jia)快(kuai)材(cai)料(liao)數(shu)據(ju)庫(ku)的(de)建(jian)立(li)。

原文下載連接如下：https://www.nature.com/articles/s41560-022-01098-3#Fig1