机器学习加速太阳能光催化剂的发现

论文简介

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。

图文导读

 图1 将光催化领域知识整合到ML框架中，补充和完善光催化剂发现的整个过程。

图2 一系列金属和半导体材料的电子密度、电子迁移率和电导率（表示为-1cm-1）之间的玻尔兹曼关系。

 图3 比较了（a）裸光催化剂和（B）负载还原性（金属）和氧化性（金属氧化物）助催化剂的光催化氧化还原反应，发现助催化剂表面转移的增强导致电子-空穴复合的抑制。

图4 通过成功训练准确的预测模型，可显著降低对实验和刺激的依赖，从而实现光催化剂的稳健筛选。

图5 高通量/组合光催化剂合成、表征和光催化/光电化学性能测试。

 图6 通过使用ML迭代地建立新的查询点以用于潜在实验来加速发现新型光催化剂的模型精化和优化循环。

 参考引用：

Masood, H.;  Toe, C. Y.;  Teoh, W. Y.;  Sethu, V.; Amal, R., Machine Learning for Accelerated Discovery of Solar Photocatalysts. ACS Catalysis 2019, 9 (12), 11774-11787.

原文链接：

https://pubs.acs.org/doi/10.1021/acscatal.9b02531

（来源：Ai赋能材料）