【翼享学术】机器学习指导掺杂元素的筛选

本文背景为光催化分解水领域中，金属氧化物半导体的掺杂元素筛选长期依赖低效的试错法。研究目的是利用机器学习技术，建立掺杂元素本征参数与材料性能的定量关联，实现掺杂元素的理性设计。以Fe₂O₃光电极为例，研究通过构建数据库、筛选随机森林模型，并利用SHAP值分析等方法，识别出价态、金属-氧键能和离子半径是影响电荷分离迁移能力的关键因素，并在CuO体系中验证了其普适性。结论指出，该研究实现了从经验试错到数据驱动的模式转变，为光催化材料优化提供了新范式，同时指出当前模型对水氧化性能预测精度不足，未来需完善数据库以提升预测能力。