AEM：机器学习增强框架加速开发尖晶石氧化物电催化剂

电催化讨论群-1：529627044

对可持续能源需求的激增刺激了对燃料电池、水分解和金属空气电池等电化学转换装置的深入研究，氧电催化剂的性能显著影响整体电化学效率。

近日，韩国科学技术院Kang Taek Lee、韩国能源研究所Chan-Woo Lee提出了一种计算框架，该框架将机器学习和密度泛函理论（DFT）计算相结合，用于系统筛选1240种尖晶石氧化物。

本文要点

要点1. 在提高预测准确性的同时，作者解决了数据稀缺的问题，并且选定的材料优于基准钙钛矿氧化物。此外，作者还强调了它们作为混合离子和电子导体的潜力，以及离子扩散路径的3D网络。

要点2. 为了进一步加深对稳定性、催化活性和反应机理的理解和预测，作者引入了一种新的描述符：共价性指示剂。该研究为开发高性能尖晶石氧化物氧电催化剂提供了设计原则。

Incheol Jeong et.al A Machine Learning-Enhanced Framework for the Accelerated Development of Spinel Oxide Electrocatalysts Adv. Energy Mater. 2024

DOI: 10.1002/aenm.202402342

https://doi.org/10.1002/aenm.202402342

电催化讨论群-1：529627044

光催化群-2：927909706

均相催化与酶催化群-2：929342001

纳米催化群-1：256363607

多孔材料群-2：813094255

理论计算群-2：863569400

同步辐射丨球差电镜丨FIB-TEM

原位XPS、原位XRD、原位Raman、原位FTIR

加急测试

王老师

198 2262 5523

www.micetech.cn