Npj Comput. Mater.: 仅需少量关键特征数据即可预测多类析氢催化剂活性

本文探讨了机器学习在析氢反应催化剂研究中的应用。传统实验方法和基于密度泛函理论的计算方法在催化剂开发中面临周期长和不确定性大的问题。北京工业大学王如志教授团队提出了一种仅使用十种关键特征的机器学习模型，能够预测多种类析氢催化剂的活性。该团队收集了11068种不同类型催化剂的数据，提取了23个相关特征，并建立了六种基于树算法的机器学习模型。通过引入关键特征φ，模型预测精度进一步提高，测试集的预测精度达R²=0.922。该模型在预测时间效率上比传统DFT计算提高20万倍，为高性能HER催化剂的发现提供了高效解决方案。