材料信息学，即通过数据挖掘方法（如机器学习）从材料数据中提取相关模式并对新材料性能进行预测，有效加速了材料的设计和理解。目前，它在催化材料领域取得了许多显著成就。因此，本文利用机器学习探索在碱性介质中促进氧还原反应的多组分金属氧化物催化剂。近日，日本东北大学李昊教授课题组在Journal of Materials Chemistry A发表题为Machine learning enabled exploration of multicomponent metal oxides for catalyzing oxygen reduction in alkaline media的利用机器学习结合高通量实验数据挖掘多组分金属氧化物催化剂的工作，研究结果推荐Mn-Ca-La、Mn-Ca-Y和Mn-Mg-Ca三元体系在氢燃料电池应用中具有较大的应用前景；Mn-Fe-X（X=Ni/La/Ca/Y）和Mn-Ni-X（X=Ca/Mg/La/Y）体系在促进过氧化氢（H2O2）的生成有重要贡献。团队设计了碱性条件下利用机器学习探索氧化还原反应多组分氧化物催化剂的工作流程（图1）。根据这一工作流程，该团队分别建立了用于预测0.8和0.63 VRHE下催化活性的机器学习模型。通过比较多种算法，XGBoost模型效果最佳（图2）。可解释性分析表明，要设计具有高电流密度的多组分氧化物催化剂，应关注较高的原子间电子值和较高的构型熵。最后，该团队确定了0.8和0.63 VRHE下，15种不同的三元金属氧化物中具有更高氧化还原催化活性的成分区域（图3-4）。尽管数据和模型可能存在某些偏差，但通过机器学习模型确定了成分和活性之间的趋势，对实验催化设计仍具有指导意义。图1：利用机器学习研究碱性条件下多组分氧化物氧化还原催化剂的工作流程图3: 0.8 VRHE下利用XGBoost模型预测的15种三元氧化物体系的电流密度值图4: 0.63 VRHE下利用XGBoost模型预测的15种三元氧化物体系的电流密度值Machine learning enabled exploration of multicomponent metal oxides for catalyzing oxygen reduction in alkaline media杂志：Journal of Materials Chemistry A【高端测试 找华算】华算科技精于高端测试服务、10余年球差电镜拍摄经验、同步辐射三代光源全球机时，300多博士/博士后等高层次人才团队亲自检测，给你高标准的数据质量保证! 球差电镜、同步辐射、原位表征、DFT计算，已助力10000多研究成果顺利在Nature、Science、JACS、Angew、EES、AM、AEM、AFM等国际顶级期刊发表，专业靠谱好评如潮！
添加下方微信好友，立即预约
