香港理工大学杨明博士团队JMI最新综述 | 利用可解释的物理启发机器学习方法加速电催化剂开发

本文综述了可解释的物理启发机器学习方法在加速电催化剂开发中的应用。随着全球能源转型的需求，开发高效电催化剂成为关键。传统机器学习模型虽然加速了材料发现，但缺乏物理解释性。物理启发机器学习通过整合物理化学定律，提升了电催化剂开发的效率和可解释性。文章详细介绍了多种机器学习模型，如TinNet、ACE-GCN和WWL-GPR，这些模型在预测吸附能和催化性能方面表现出色。此外，可解释人工智能（XAI）通过提供模型的可解释性，进一步推动了电催化研究。文章还展望了物理启发机器学习在自动化实验室中的应用前景，认为其将加速新材料的发现并提供有价值的物理化学见解。