基于结构-性能-活性关系的材料筛选是光催化研究中的一个热点问题。本文介绍了利用机器学习技术来辅助寻找太阳能光催化剂的前景。机器学习技术极大地促进了科学和工程领域的研究,包括多相催化、但在光催化研究中的应用还处于初级阶段,缺乏一致的训练数据是一个主要的瓶颈,作者预见将光催化领域的知识集成到传统的机器学习协议中是一个可行的解决方案,本文提出一个整合机器学习与领域知识的整体架构,以设定加速光催化剂发现的方向。本文首先讨论了光催化领域中的知识,这些知识可以用来与机器学习方法相结合。接着介绍了在多相催化领域中流行的机器学习实践,这些实践旨在以纯数据驱动的方式来帮助发现光催化剂。最后提出了用光催化领域知识来补充数据驱动机器学习的各种策略。这些策略包括:(1)在机器学习模型的训练过程中综合理论知识和先验经验知识,(2)将这些知识嵌入到特征空间中;以及(iii)利用现有的材料数据库来约束机器学习预测。(利用人类和机器智能)可能减轻与数据驱动的机器学习相关联的可解释性和可靠性的缺乏,这一概念还可以通过促进从传统的光催化信息学范式向传统的光催化信息学范式的转变,为光催化信息学提供实质性的好处。
应用进展
2024年11月06日
1 点赞
0 评论
201 浏览