机器学习是一种强大的具有自主学习功能的人工智能工具，可以通过从历史数据中学习而无需显式编程来识别定量结构-活性关系用以加速电催化材料的设计。算法、数据和描述符通常是机器学习的决定性因素，其中描述符因为包含了电催化材料的物理化学性质而在电催化反应中起着举足轻重的作用。如何应用描述符来弥合电催化材料的结构和活性之间的差距是电催化材料的机器学习设计的一大挑战。
近日，我校16877太阳集团骆静利院士团队总结了机器学习在电催化材料设计中的应用，发现综合应用几何结构描述符、电子结构描述符和活性描述符可以很好的设计电催化剂的活性。揭示了这些描述符在电催化材料设计中应用的一般规则，并针对析氢反应、析氧反应、氧还原反应、二氧化碳还原反应和氮还原反应等众所周知的电催化过程中的挑战，对其潜在应用做出了一些前瞻性的预测。
相关成果发表在Advanced Functional Materials（影响因子18.819，中科院JCR一区，TOP期刊）上。我校骆静利院士、符显珠教授为文章通讯作者。我校刘建文研究员为论文第一作者。
该研究得到了国家自然科学基金委员会、深圳市科技创新委员会以及我校高层次人才启动基金的大力支持。
全文链接：https://onlinelibrary.wiley.com/doi/10.1002/adfm.202110748
