加载失败，
厦大团队材料预测迁移学习范式登Nature子刊，发现高性能催化剂
厦大团队材料预测迁移学习范式登Nature子刊，发现高性能催化剂
2024年8月12日修改
附件不支持打印
加载失败，
编辑 | KX
传统的材料发现依赖反复试验或偶然发现，效率低下且成本高昂。
AI 在发现新型催化剂方面潜力巨大。然而，受到算法的选择，以及数据质量和数量的影响。
在此，来自厦门大学、深圳大学、武汉大学、南京航空航天大学和英国利物浦大学的研究团队开发了一种 迁移学习 范式，结合了预训练模型、 集成学习 和 主动学习 ，能够预测未被发现的钙钛矿氧化物，并增强该反应的通用性。
通过筛选 16,050 种成分，鉴定和合成了 36 种新的钙钛矿氧化物，其中包括 13 种纯钙钛矿结构。
Pr0.1Sr0.9Co0.5Fe0.5O3（PSCF）和 Pr0.1Sr0.9Co0.5Fe0.3Mn0.2O3（PSCFM）在 10 mA cm^-2 时分别表现出 327 mV 和 315 mV 的低过电位。电化学测量表明，两种材料中 O-O 耦合的吸附质演化机制（AEM）和晶格氧机制（LOM）共存。
该研究为加速发现和开发用于该反应的高性能钙钛矿氧化物电催化剂铺平了道路。
相关研究以「 Transfer learning guided discovery of efficient perovskite oxide for alkaline water oxidation 」为题，于 7 月 26 日发布在《 Nature Communications 》上。
附件不支持打印
加载失败，