Nature Energy：机器学习登顶能源顶刊！下一个热点已经到来！(3)

）、中频（P

IF

）和低频（P

LF

）。结果表明电荷转移不是限制因素，仅占总极化阻抗的一小部分；相比之下，R

IF

值表现出很大的差异，并且以明显的热激活为特征。可以看出，SCCN正极的R

IF

值远低于其他三种材料，因此它具有更快的表面氧转移过程，这有助于其优异的 ORR活性。

图4.基于SCCN正极的对称电池稳定性和单电池性能 图5.BSCCFM的形貌 图6.氧转移相关的表征 图7.电子结构演化的DFT计算 总体而言，机器学习技术已成功应用于高活性燃料电池阴极的开发。与以往的高通量DFT方法相比，本文的方法能够在训练后预测材料性质，仅基于分子式，无需建立分子模型，具有成本低、开发效率高的技术优势。然而，作为一种数据驱动的方法，数据的数量和质量直接影响机器学习的准确性。目前的数据仍然不足以预测低温的活动，因此有必要加快构建材料数据库以供未来机器学习发展。 同时，预测的样品可能无法形成钙钛矿结构，或者与晶格内部的缺陷形成关联。所有这些情况都可能导致内在活性的变化，而其他重要因素，如耐久性/稳定性，目前的描述是无法预测的。仍需要相关的实验研究来确保预测材料的适用性。基于上述综合方法，本文通过引入ISA作为高温下有效的ORR描述符并提出经过实验验证的机器学习驱动方法，实现了高活性氧还原电极的快速有效发现。因此，成功预测并证实了四种氧化物具有优异的电活性。实验表征和DFT计算表明，ISA值中的极化与具有降低的氧空位形成能和迁移势垒的优化电子结构相关，这为氧还原电极设计提供了原理。