机器学习辅助催化剂设计，天大团队开发通用且可解释的描述符
💡
原文中文，约2900字，阅读约需7分钟。
📝
内容提要
天津大学团队开发了ARSC模型，用于预测电催化反应的活性和选择性。该模型通过解耦原子属性和反应效应，减少计算需求，并验证了Co-Co/Ir-Qv3为最佳催化剂。这项研究为智能催化剂设计提供了新方法，发表在《Nature Communications》上。
🎯
关键要点
- 天津大学团队开发了ARSC模型，用于预测电催化反应的活性和选择性。
- ARSC模型通过解耦原子属性和反应效应，减少计算需求。
- Co-Co/Ir-Qv3被验证为最佳催化剂，适用于双功能氧还原和析氧电催化。
- 该研究为智能催化剂设计提供了新方法，发表在《Nature Communications》上。
- 电催化反应催化剂设计是实现碳中和的有前景途径。
- 双原子催化剂(DAC)因其复杂的活性位点在电催化中具有优势。
- 开发通用描述符模型以捕捉几何结构和电子结构之间的相互作用是催化剂设计的挑战。
- ARSC模型通过物理特征工程和特征选择方法开发，统一多种电催化反应的活性和选择性预测。
- ARSC模型框架包括原始描述符、筛选原则、基于ML的描述符和最终通用描述符模型。
- ARSC模型在不到4500次DFT计算的基础上建立，能够快速预测高活性双原子位点。
- ARSC模型的实验验证显示出良好的催化性能，特别是Co-Co/Ir-Qv3催化剂的优异表现。
- 该研究为快速、高通量筛选催化剂提供了新的方法和思路。
➡️
