摘要：数据科学彻底改变了寻找高性能的催化剂，使科学家能够快速识别和测试合适的材料。...

将数据科学整合到电催化中，可以显着推动为可持续能源应用的高性能催化剂的发现。

来自东北大学高级材料研究所（WPI-AIMR）的Hao Li最近的一篇文章审查了这种现象的状态。

“我们的主要发现是，基于密度功能理论（DFT）描述符（DFT）描述符以及由大规模计算数据集和机器学习（ML）提供支持的高维分析（ML）的高维分析（ML）的组合正在加速下一代型电型的设计。该方法还提供了更深入的征服范围。过程。”

传统上，DFT衍生的参数用于建立用于电化学反应的预测火山模型，将原子级描述与宏观性能联系起来。这种低维方法对于理解催化剂结构与其电化学性能之间的关系至关重要。但是，在大规模数据集和ML技术支持的高维数据科学中的扩展是增强了破译更复杂的结构 - 特质关系的能力。

机器学习电位（MLP）正在作为这种转变中的关键技术，并以计算可扩展性桥接量子精度。 MLP加速热力吸附能计算，并允许对动态催化机制进行更有效的模拟。结果，预计MLP将在电催化剂的未来设计中发挥核心作用，以应对目前限制催化剂开发的一些挑战。

本文中揭示的一个关键方面是理论见解，计算效率和实验验证的整合。通过连接这些元素，正在加速燃料电池，电解液和电池等关键能源应用的电催化剂设计，从而有助于全球向可持续能源解决方案的过渡。作者还讨论了数字催化平台（DIGCAT），这是Hao Li Lab开发的最大的实验催化数据库和数字平台。

李补充说：“数据科学正在重塑我们如何处理电催化剂的设计。通过利用计算模型和机器学习技术，我们不仅提高了催化剂发现的效率，而且还提高了他们在现实世界中的性能。”

展望未来，这些发展有望在催化剂设计中取得突破，使清洁能源技术更加实惠和易于使用。这项工作为创建能够替换化石燃料燃料的能源系统的催化剂铺平了道路，有助于减少对不可再生资源的依赖。

本文发表在《催化杂志》上，强调了数据科学在电催化中的变革作用。 APC指控得到了Tohoku University支持计划的支持。