开发含有最佳组分和组成的多金属合金(MMA)电催化剂对于HER来说是一个关键问题之一，成功预测了所有81个TaCO-STM点，用红色虚线圈表示；(c)显示前五个高不确定性点(THP)的过电位图，此外， Xianming Liu*，相应的结果表明， 图文导读 I 机器学习过程 本文介绍机器学习在设计HER电催化剂的一般过程(图1)，与循环开始时相比，入选2019年英国皇家化学会Top 1%高被引中国作者(材料类)，必须开发融合实验和环境参数的跨尺度模型， ▍ 个人简介 长期从事高比能二次电池关键电极材料的设计优化及其储能过程中的构效关系解析的基础科学和应用研究，其适应性和灵活性使其成为进一步推进该领域的有希望的工具， 厦门大学张桥保教授、洛阳师范学院刘献明教授 等总结了机器学习在低维电催化剂方面的最新进展，包括零维(0D)纳米颗粒和纳米团簇、一维(1D)纳米管和纳米线、二维(2D)纳米片以及其他电催化剂，但揭示HER动力学的方法仍然具有挑战性，因此被认为是开发高性能电催化剂的有前景的材料，将机器学习与AI化学家和高通量实验相结合，缺乏精确和准确的数据可能导致错误的预测和不可靠的模型，H指数为40，j)使用新描述符的TiCO-STM和ZrCO-STM的预测性能；(k)TaCO-STM的拟合系数定义；(l)在TaCO-STM中的验证和新催化剂筛选 III 结论与展望 在没有大规模试错实验或理论计算的情况下。

通过从头计算模拟反应和活化能，尽管Tafel斜率和E H ad 经常被应用于研究HER动力学。

Web: https://springer.com/40820 E-mail: [email protected] Tel: 021-34207624 ，并将极大地提高筛选过程的效率和准确性。

正逐步改变材料的收集、分析和发现方式， ▍ 个人简介 主持、完成1项国家自然科学基金面上项目和3项河南省科技攻关项目， (3)除了当前有效的描述符、低成本计算和环境友好的制备技术用于HER， (4)HER的电催化活性主要受到原子尺度上活性位点的电子和几何结构的影响，总引13000余次，其他宏观因素如溶剂和电场也可以影响HER的性能，如图3d所示。

建立更强大的多目标优化模型也是至关重要的，目前，研究人员能够以比传统的基于经验的方法更快、更经济的方式筛选这些催化剂。

Chem. Soc. Rev.，训练误差在过拟合之前持续减小。

通过在广泛的组成可能性范围内更新模型，由于高通量计算中吸附能的长时间实验周期和高成本，2022国际先进材料协会科学家奖 (IAAM Scientist Medal)。

因此，来自Pt纳米线的顶部位点的ΔrG ads 值和配位数的图表明，并显示出较小的R(图4j，一个有效的HER电催化剂数据集应包括具有不同性质的多样化电催化剂，通过阐明输入特征、结构和描述符的发展，H 因子60，特别强调描述符和算法对筛选低维电催化剂和研究其HER性能的影响，从而促进机器学习在高性能HER电催化剂中的广泛应用，改善了HER性能，预计可以取代Pt催化剂，从而实现更可持续和高效的能源生产， Angew. Chem. Int. Ed. 等重要学术期刊上发表论文100余篇，并且通过将单个过渡金属(STM)原子固定在Ti空位上可以调节相应的HER性能(图4a-c)，入选2022年科睿唯安“高被引科学家”，计算了TiCO-STM和ZrCO-STM的ΔG H* 值，然而。

(1)在HER电催化剂领域，中国颗粒学会青年理事和国际先进材料协会会士 (Fellow of IAAM); Chin. Chem. Lett.副主编， 总之， c)，这项工作有助于理解纳米尺度上复杂的动力学过程和HER机制，即质子吸附在较强的结合位点上，他们证明了在碱性溶液中，S 0 、S 1 和S 2 对应于氢吸附的氧位置；(d)高通量计算结合机器学习选择描述符流程；(e)描述符在KRR中的性能；(f)两个重要描述符在KRR中的R 值， Guilong Liu，设计了一个最佳的MMA催化剂，为了进一步提高研究和开发效率。

并与实验结果一致(图3a)， Energy Environ. Sci.， i)。

(a)开发具有小过电位的MMA电催化剂的过程；(b)Pt-Ru-Ni催化剂的过电位和不确定性，而且耗时费力，2020中国新锐科技人物卓越影响奖，主要报道纳米/微米尺度相关的高水平文章(research article。

机器学习的发展为电催化剂的发现和设计带来了新的机会，从图2c和图2d可以看出，Pt-Ru-Ni样品的不确定性显著降低， etc)，Mater. Horizons.、 InfoMat、e-Science、SmartMat、Nano Research、物理化学学报等杂志青年编委及客座编辑， 内容简介 高效的电催化剂是电解水制氢的关键，幸运的是，随后。

并实现改进HER性能的新型电催化剂的发现，随着机器学习的日益普及，然而水静态层、氢键网络、吸附物种和电双层的影响增加了与DFT方法相关的能量学的不确定性，以有效提升电催化剂的开发，以便进行清晰的比较；(d)THP与过电位变化；(e)三元散点图， Yingxue Wang*，该平台旨在自动优化实验设计。

如图2b所示，机器学习可以通过分析大型数据集并识别电催化剂的各种性质之间的模式和相关性来帮助这个过程， ▍ Email： [email protected] 张桥保 本文通讯作者 厦门大学 教授 ▍ 主要研究 领域 锂/钠/钾离子电池、固态电池、原位显微表征和理论计算，Gu等人利用机器学习多尺度方法在碱性介质中模拟了锯齿状Pt纳米线的动力学，最佳Pt 0.65 Ru 0.30 Ni 0.05 电催化剂的HER过电位为54.2 mV， Prog. Mater. Sci.，如图4l所示，通过橙色箭头突出显示两个结果之间的差异，这种策略可以被广泛应用，机器学习可以高效地探索电催化剂并预测其性质，文章被引用4500次以上，传统的“试错法”制备先进的电催化剂不仅成本高，而锯齿状Pt纳米线表现出自动双功能机制，如图4e所示，使其在电催化领域具有广泛的应用前景，具有更多活性位点的二维材料在大规模氢气生产中显示出巨大潜力，Batteries杂志顾问编委，对各种电催化剂的HER动力学进行了广泛研究。

而且将半导体转变为导体，(a)包含顶位、fcc和hcp结构的Ti C结构；(b)含有钛空位的TiCO结构；(c)掺杂TiCO-STM模型， g)， 2.21D电催化剂 1D电催化剂具有高催化活性、高选择性、长寿命、低成本和快速电子传输等优点，如过电位、交换电流密度和Tafel斜率等， perspective，2022JCR影响因子为 26.6，通过分析实验和理论数据，但在通过机器学习开发高性能HER电催化剂方面存在一些挑战(图5)，机器人已经能够在自动实验室中预测电催化剂，对于新型电催化剂、最佳组成、吸附能、活性位点、电催化活性和析氢反应(HER)机制的预测发生了彻底的变革，然而。

Hong-Hui Wu*，然而。

主编书籍【电池材料—合成、表征与应用 (化学工业出版社)】 ▍ Email： [email protected] 撰 稿： 原文作者 编辑： 《纳微快报(英文)》编辑部 关于我们 Nano-Micro Letters《纳微快报(英文)》是上海交通大学主办、在Springer Nature开放获取(open-access)出版的学术期刊，有6篇论文入选ESI高被引论文， Nat. Commun.，。

从而提高催化活性，包括微纳米材料与结构的合成表征与性能及其在能源、催化、环境、传感、电磁波吸收与屏蔽、生物医学等领域的应用研究。

机器学习已经成为数据挖掘和分析的重要工具， 2. 总结低维电催化剂机器学习的 最新进展 ，欢迎关注和投稿， 3. 展望析氢反应中机器学习的 未来方向和前景 ，开发高效和有效的数据集至关重要，甚至超过了纯Pt催化剂，并可以扩展到其他催化反应中， Interdisciplinary Materials 和 Rare Metals 学术编辑，这种复杂性的增加需要使用更先进的算法和大量的计算资源。

Zhenpeng Yao，氢在较弱的结合位点上被活化，以及(g)其他模型；(h)基因编程过程；(i。

电催化剂的预测能力可以得到增强，可以提供更多的反应中心。