Nature Energy：机器学习登顶能源顶刊！下一个热点已经到来！

研究成果

研究表明，改进的高活性阴极材料对于陶瓷燃料电池技术的商业化至关重要。然而，材料设计、表征和测试的传统试错过程可能会导致漫长而复杂的研究周期。在此， 深圳大学谢和平院士、南京工业大学邵宗平教授和香港理工大学倪萌教授等人 展示了一种经过实验验证的机器学习驱动方法，以加速发现有效的氧还原电极，其中引入离子路易斯酸强度（ISA）作为钙钛矿氧化物氧还原反应活性的有效物理描述符，从6871种不同的钙钛矿成分中筛选出的四种氧化物被成功合成并证实具有优异的活性指标。实验表征表明，钙钛矿氧化物中A位点的减少和B位点的增加明显改善了表面交换动力学。理论计算表明，活性的提高主要归因于ISA在A和B位的极化分布引起的电子对移动，这极大地降低了氧空位形成能和迁移势垒。 相关论文以“ A combined ionic Lewis acid descriptor and machine-learning approach to prediction of efficient oxygen reduction electrodes for ceramic fuel cells ”为题发表在 Nature Energy 。

背景介绍

功能材料在可再生绿色能源技术和实现碳中和，具有极其重要的意义。其中，固体氧化物燃料电池（SOFC）作为绿色电化学装置的代表，以其高能效、低排放和燃料灵活性而著称，但商业化进程受其工作温度高、高运营成本和材料降解的阻碍。因此，保持足够功率输出和降低工作温度缺一不可。然而，实际情况是材料设计、表征和复杂测试程序的反复试验过程会使得研究周期过长，因此揭示参数和特性之间的关系在材料设计中显得尤为重要。 最近研究中一个特别感兴趣的领域是，通过数据驱动的方法确定材料发现的趋势，机器学习技术被广泛用于材料信息学，已发表的实验数据和开源数据库中提供的材料信息极大地扩展了科学研究人员对高质量数据集的访问，目前缺乏能够准确反映高温下ORR过程原理的具有代表性的物理描述符。

图文解析

图1.氧还原电极的工作流程