AI for Catalysis，Nature Materials！

本文介绍了一种机器学习方法——交叉育种神经网络，用于跨类别催化剂发现。背景：催化剂发现通常局限于单一材料类别（如多金属氧化物或单原子催化剂），限制了跨材料类型的探索。析氧反应作为制氢关键步骤，其缓慢动力学是瓶颈。研究目的：通过识别碳基单原子催化剂和块体钙钛矿氧化物两个实验数据集中的共描述符，整合不同催化剂家族，从而预测钙钛矿氧化物上单原子催化剂这一未训练类别的析氧活性。结论：交叉育种神经网络精确预测了实验合成催化剂的过电位性能趋势，其中一种多金属催化剂的活性优于以往所有候选材料。可解释机器学习揭示了描述符重要性与表面原子贡献对活性趋势的影响。研究表明，跨材料机器学习可加速发现已知设计空间外的高性能催化剂，并有望扩展至能源存储和药物发现等领域。