AFM：借助机器学习开发用于CO2电解的膜电极器件

背景：电催化CO2还原面临工业级电流密度与长期稳定性挑战，膜电极（MEA）电解槽因低电阻损耗和高效率成为解决方案，但其多参数复杂性阻碍了优化设计。研究目的：通过构建包含501个装置的MED3数据集，结合统计分析与机器学习算法，识别关键性能参数并开发高效MEA电解槽。结论：随机森林、梯度提升和支持向量机模型分别优化了产物选择、法拉第效率及电流密度预测，基于可解释机器学习设计的Ag/C催化剂电解槽实现了200 mA cm⁻²下100% CO法拉第效率及100小时稳定运行，证明了机器学习在装置优化中的潜力。