机器学习-多相催化 | Nature Reviews Chemistry

本文综述了机器学习在多相催化领域的应用，系统分析了71项计算数据和51项实验数据的研究。研究发现，机器学习模型通过融合高通量计算模拟（如密度泛函理论）与自动化实验（如组合化学筛选），显著加速了催化剂设计。例如，在电解水反应中，主动学习策略将催化剂筛选效率提升20倍；Ru-Cr-Ti氧化物等新型材料通过ML预测被成功合成并验证。尽管ML在预测吸附能、反应速率等方面展现出高精度（部分模型R²>0.9），但数据稀缺和可重复性仍是挑战。未来，人机协作与标准化数据库将推动催化科学迈向智能化时代。