加速催化剂设计，上海交大贺玉莲课题组基于 AutoML 进行知识自动提取

综上所述，本研究论证了，在二元合金催化剂表面的吸附位点的局部几何信息，对化学吸附能量 Eads 的重要影响，展示了基于 AutoML 的特征删除实验的稳定性、一致性和潜力。与传统的可解释性模型相比，该方法避免了模型复杂性与可解释性之间的折衷，将科学见解的来源从阐明模型行为，转移到评估特征集性能，将人为干扰对于结论的影响最小化，从对输出的统计行为中提取知识。

上海交通大学密西根学院的研究人员发表了一篇题为「Interpreting Chemisorption Strength with AutoML-based Feature Deletion Experiments」的研究论文，提出了一种基于自动机器学习的特征删除实验方法，用于确定决定催化剂表面反应物的化学吸附能量的关键物理量。研究结果表明，吸附位点的局部几何信息对化学吸附能量的影响很大。这种基于AutoML的特征分析方法可以揭示复杂物理科学中统计特征重要性，对催化领域具有重要意义。人工智能技术在催化剂设计和优化方面的应用也有望提高效率和性能。