Angew ¦ 机器学习辅助预测铱（III）光催化剂的基态与激发态氧化还原电位

背景：光催化领域中氧化还原电位是决定催化剂性能的关键参数，传统实验测量和理论计算方法存在效率低、资源消耗大等局限性。研究目的：东北师范大学团队提出集成DFT与机器学习的策略，旨在建立可解释的结构-活性关系，实现铱光催化剂基态与激发态氧化还原电位的高效预测。结论：研究构建了包含519个PC-Ir复合物的数据集，通过双路径建模策略，独立模型在测试集上R²超0.9且误差低于0.3V，组合模型泛化能力强；框架成功扩展至锇催化剂，经迁移学习校正后预测精度显著提升，为光催化剂理性设计和绿色能源技术发展提供新范式。