湖南大学秦蕾团队：机器学习用于电催化氨合成中的研究进展——催化剂的开发与优化

本文系统综述了机器学习在电催化氮还原合成氨催化剂开发与优化中的最新进展。背景方面，传统Haber-Bosch法能效低，电催化氮还原面临氮气活化难、析氢竞争激烈等挑战，而传统试错法与密度泛函理论计算效率低、成本高。研究目的旨在通过机器学习建立材料描述符与催化性能间的深度映射，加速高活性催化剂的筛选与设计。结论显示，利用GBRT、随机森林及SISSO等算法，机器学习已精准识别d带中心、电离能等关键特征，在三元电子化合物、单原子催化剂及Heusler合金等体系中实现高效筛选，效率提升至90%。然而，当前技术仍面临静态数据难以模拟真实电化学动态环境、小样本下模型泛化性受限、微观模拟与宏观器件性能脱节等挑战。未来研究应融合动态原位数据，开发嵌入物理规律的神经网络与动态图网络，并结合自动化实验平台构建闭环优化体系，以推进电催化氨合成的工业化进程。