催化材料设计需要对催化剂和{attr}3{attr}3222{/attr}0{/attr}物之间的相互作用进行预测建模。由于化学空间中结构-性质关系的复杂性和多样性，使得建模预测还具有挑战性。基于此，俄罗斯斯科尔科沃研究院Sergey V. Levchenko和德国柏林弗里茨-哈伯研究所Aliaksei Mazheika（共同通讯作者）等人报道了一种使用人工智能（AI）方法子组发现来合理设计催化材料的策略。作者将第一性原理计算与人工智能（AI）方法、子组发现（subgroup discovery, SGD）相结合，以确定优化催化CO2活化指标的原始材料特性。此外，SGD允许识别促进活化的材料特征（genes）的一种或多种不同组合。作者专注于氧化物材料作为候选催化剂，不考虑其他{attr}3132{/attr}物的活化和缺陷。仅基于对原始表面上CO2吸附特性的分析就可以做出有意义的预测，证实了这些特性是激活的良好指标，至少对于所选材料类别具有可行的优化途径。通过确保吸附能不会太大或太小来考虑Sabatier原理。为了确保AI数据分析的可重复性，作者以Jupyter笔记本的易于访问的形式提供所有必要的元数据（输入参数）和工作流。作者认为随着AI的重要性和复杂性不断提高，如此详细的教程文档是良好科学实践的必要条件。该方法适用于更广泛的材料和分子，不限于氧化物或CO2。该研究绝不涵盖氧化物表面上CO2转化的所有可能机制，但它在许多可能的机制中提供了清晰的设计路径。Artificial-intelligence-driven discovery of catalyst genes with application to CO2 activation on semiconductor oxides. Nat. Commun., 2022, DOI: 10.1038/s41467-022-28042-z.https://doi.org/10.1038/s41467-022-28042-z.
目前评论：0