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
原文中文，约4300字，阅读约需11分钟。
📝
内容提要
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。
❓
Q&A
这项研究的主要创新点是什么？
研究提出了一种基于自动机器学习的特征删除实验方法，用于确定催化剂表面反应物的化学吸附能量的关键物理量。
吸附位点的局部几何信息对化学吸附能量的影响有多大？
研究表明，吸附位点的局部几何信息对化学吸附能量的影响显著，是决定化学吸附能量的关键物理量。
人工智能在催化剂设计中的应用前景如何？
人工智能有望提高催化剂的设计和合成效率，加速新型催化剂的发现和应用，推动化学领域的发展。
研究中使用了什么样的数据集进行验证？
研究使用了一个高通量密度泛函理论计算的解离化学吸附能数据集作为基准，包含了多种吸附物的Eads值。
AutoML引导的知识提取方法有什么优势？
该方法避免了模型复杂性与可解释性之间的折衷，能够通过比较不同特性集的性能来收集物理洞察力。
研究如何减少催化剂设计中的复杂性？
研究选择双原子分子吸附剂以减少复杂性，集中于催化剂的表面行为，从而简化分析过程。
🏷️
