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还原的膜电极（MEA）电解槽虽能实现高电流密度和效率，但因系统复杂、参数多维，优化设计面临挑战。研究目的：通过构建MED3数据集（含204篇文献的501个装置参数），结合统计分析与机器学习算法，预测关键性能指标并指导MEA优化。结论：随机森林、梯度提升和支持向量机模型分别最优预测产物、法拉第效率和电流密度；基于可解释机器学习开发的Ag/C催化剂电解槽在200 mA cm⁻²下实现100% CO法拉第效率，并稳定运行100小时，证明了机器学习在装置优化中的潜力。