河海大学&浙江大学&中山大学《ESM》：通过定量可解释机器学习框架加速高容量氢化物开发

背景：固态储氢技术因高密度与安全性成为氢能发展重点，但AB5型稀土基储氢材料存在质量储氢容量偏低的问题，传统试错法和理论计算面临效率与精度挑战，而机器学习研究尚缺乏系统描述符识别和定量阈值界定。研究目的：针对容量限制，构建可量化的可解释机器学习框架，建立描述符导向设计准则，以加速高性能储氢材料开发。结论：通过SHAP、SISSO和SGD方法，揭示了元素间协同效应，提出定量阈值（如A侧电负性≤1.127），设计出的La-Ce-Ca-Ni-Mn-Al合金在室温下饱和储氢容量达140.2 kg/m³，在1.6 MPa和60°C时表现优异，性能超越传统储氢介质，方法为其他储能系统提供指导，彰显人工智能在材料研发中的优势。