on style="white-space: normal; margin-bottom: 20px; line-height: 1.75em; margin-left: 8px; margin-right: 8px;">合金由于具有广泛的元素组合和复杂的几何结构所产生的各种催化活性位点，因而在多相催化中具有广阔的应用前景。然而，这导致了传统实验/理论方法难以理解结构-性能关系。机器学习（ML）不仅可以快速处理大量数据，还有助于建立多维多相催化反应的物理图景。其关键挑战是探索合适的通用描述符来准确描述各种类型的合金催化剂，这有助于合理设计催化剂并有效筛选候选者。在此，吉林大学高旺教授等人简要回顾了ML方法在各种合金催化剂体系中的应用并总结了5种具有代表性的描述符，包括基本元素属性描述符、d带理论描述符、基于局部几何的吸附描述符、底物和吸附物的衍生本征描述符及基于数值拟合的描述符。作者讨论了各种ML算法和反应性描述符的优缺点，这对于数据驱动方法在多相催化中的应用至关重要。通过各种合金体系和复杂的催化反应，不仅阐明了对多相催化研究中物理图景的现有理解，而且强调了合理选择描述符的意义。最后，作者强调了理想通用描述符设计中的相关挑战，并提出了描述符、数据和算法的未来发展可能性，以改进合金催化性能的ML预测方案。
作者列出了未来进行ML研究和合理设计合金催化剂描述符的一些潜在发展方向：（1）各种描述符的智能特征选择和改进。虽然短期内无法发现所有材料和反应的通用反应性描述符，但现有的描述符及其改进对于最终实现全局通用描述符至关重要；（2）材料数据库扩展和数据共享。应建立更全面、通用的材料信息标准，实现数据库间的数据共享并减少数据获取的障碍；（3）ML算法的合理选择和优化。要获得最合适的算法和真正的泛化误差，必须将模型选择作为训练过程的一部分。另一方面，ML算法本身的可解释性也很重要，需要进一步提高。
图2. 可转移的ML模型及吸附能与描述符之间的线性关系Applications of Machine Learning in Alloy Catalysts: Rational Selection and Future Development of Descriptors, Advanced Science 2022. DOI: 10.1002/advs.202106043
目前评论：0