面对全球气候变化和化石燃料危机，清洁高效的氢能是能源转型的重要需求。氢电转换装置，典型如燃料电池和电解槽，其中催化效率对能量转换效率起着决定性影响。传统的催化剂研发，依赖耗时且成本高的试错法。
在高维数变量优化问题中，由于维数灾难和组合爆炸，试错法愈来愈吃力。因此，亟需发展数据科学驱动的材料研发新范式AI4S (AI for Science)，以挖掘潜在的优秀催化材料。
bw必威西汉姆联官网王学斌教授、芝加哥大学陈俊宏教授、陈宇新教授、华北电力大学刘建国教授等，探讨了机器学习在电催化剂材料设计中的应用，着重分析了机器学习推动的氢电转换关键反应，包括析氢反应（HER）、析氧反应（OER）、氢氧化反应（HOR）、氧还原反应（ORR）；通过机器学习分析实验和计算数据，揭示电催化剂关键变量与性能之间的构效关系，加速挖掘和优化电催化剂。
图1. 该综述讨论的电催化材料体系。
1、面向催化剂材料设计的机器学习实用流程
在催化剂材料研发中，机器学习流程可分为三个步骤：数据收集、模型训练、模型应用，具体包括数据集构建、特征选择、特征提取、模型训练、验证优化等。该文分析了机器学习在催化剂设计中的实用流程，探讨了各步骤的重要性和联系，展示了如何通过机器学习在不同材料体系中发现高效催化剂，加速筛选可能最佳的材料组合，降低迭代成本。
图2. 机器学习在电催化剂材料设计中的应用流程。
2、机器学习推动氢电转换催化剂材料设计
图3是催化剂在氢电转换反应（HER、OER、HOR、ORR）中的数据统计与分析，展示了氢电转换研究中常用的输入特征、重要描述符、数据集规模分布、优秀机器学习算法。该文统计了四种主要材料体系——金属/合金、过渡金属氧化物、碳基材料、过渡金属化合物，发现金属/合金体系的数据集规模显著大于其它体系。在材料特征方面，配位数在金属/合金研究中占主导地位；过渡金属氧化物和化合物则主要依赖于d带性质和键长。机器学习算法的应用也存在差异，金属/合金体系更常使用深度学习和线性回归及高斯过程（GP），而在其它材料体系中，集成算法如随机森林（RF）和梯度提升决策树（GBDT）表现更佳。
图3. 电催化氢电转换反应HER、OER、HOR、ORR相关分析。(a) 使用的输入特征；(b) 通过机器学习模型解释识别的重要特征；(c) 使用数据集的分布；(d,e) 机器学习算法。
3、机器学习赋能电催化剂材料设计的展望
机器学习技术正在进入能源与化学领域，它迅速且无疑地推动着催化剂材料研发范式革新，从传统的试错法，迈向数据驱动的、人工智能推动的更低成本方法，大大加速了材料迭代。
机器学习正在迅速成为催化剂材料设计的关键工具之一。该文梳理了氢电转换反应催化剂材料设计策略，借助机器学习模型，识别出影响电催化剂性能的关键描述符，以指导材料设计合成，加速电催化剂的筛选与优化。该文通过分析不同电催化剂材料体系，指出了机器学习在识别最佳方案和解决复杂多变量问题中的作用；指出不同材料在特征偏好和机器学习算法选择上的不同，为电催化剂设计提供了可贵的方法论和技术指南。
该文以"Unlocking the potential: machine learning applications in electrocatalyst design for electrochemical hydrogen energy transformation"为题于2024年10月9日发表在Chem. Soc. Rev.。原Betway必威西汉姆联直博生、现芝加哥大学博士后丁睿为该文第一作者，芝加哥大学陈俊宏教授、陈宇新教授、bw必威西汉姆联官网王学斌教授为通讯作者。华北电力大学刘建国教授、沙特国王大学Y. Bando教授为该文做出了重要指导。该项工作得到了国家自然科学基金联合重点、面上、江苏省重点研发、江苏省自然科学基金等的支持。
论文信息：https://doi.org/10.1039/D4CS00844H
