韩国基础科学研究所Nat. Mater.: 通过深度学习发现跨材料催化剂

本文由韩国基础科学研究所的研究人员发表于《自然·材料》杂志。研究背景是催化剂的发现通常局限于单一材料家族，限制了跨材料的比较和通用规律的提取，尤其是在碱性析氧反应（OER）中，其缓慢动力学是水电解制氢的关键瓶颈。研究目的是突破这一局限，开发一种能够整合不同催化剂家族（如碳载单原子催化剂和块体钙钛矿氧化物）的机器学习框架，实现跨材料催化剂的发现。结论方面，研究团队通过自动统计和自然语言分析筛选出共描述符，构建了名为杂交神经网络（CBNN）的统一模型。该模型不仅能够精准预测未经训练的新类别催化剂（钙钛矿氧化物负载的单原子催化剂）的OER活性，还通过可解释机器学习揭示了描述符重要性与活性趋势的关联。实验验证显示，模型预测的一种多金属催化剂的性能优于此前所有候选催化剂。这项研究证明，跨材料机器学习能够加速高性能催化剂的发现，超越现有设计空间。