中国科学技术大学「国家杰青」江俊Nature Synthesis | 一种利用生成式AI进行高熵催化剂逆向设计的实用方法！

本研究针对高熵催化剂因其巨大的组分空间和复杂的“组分-结构-性能”关系而难以逆向设计的问题，提出了一种集成光谱描述符、生成式机器学习和机器人实验平台的实用化逆向设计方法。研究目的是通过构建“光谱-性能-组分”智能关联模型（SpecGen），并与名为AI-Chemist的自动化平台结合，实现从目标催化性能直接反推最优材料配方的闭环研发流程，以加速高效析氧反应（OER）催化剂的发现。研究结果表明，该方法将单个催化剂样品的研发周期从约20小时大幅缩短至78分钟，并成功筛选出性能更优的六元高熵催化剂，使其在10 mA cm-2电流密度下的过电位额外降低了32.0 mV，证明了该AI驱动范式在加速复杂功能材料设计与优化方面的巨大潜力和通用性。