随着全球能源消耗增加和环境恶化，清洁可持续能源的存储和转换已经成为当今世界的重要任务。电催化技术以其在高效能源转换和利用方面的卓越优势引起了广泛关注。低成本、高活性和稳定性的电催化剂在电催化反应中起着至关重要的作用。金属催化剂是电化学反应中的重要催化剂，展示出巨大潜力。然而，通过传统“试错法”探索高效金属电催化剂面临周期长、成本高、效率低等挑战。尽管高通量计算在材料设计方面取得了相当大的进展，但在庞大的材料空间中识别先进催化剂，并在原子水平研究复杂的催化机制仍然是亟需解决的重大难题。近年来，机器学习
(ML)
技术在化学及材料科学等领域应用广泛。通过建立结构
-
活性关系，机器学习不仅能够稳定快速地预测催化性能，还能够高效地探索复杂系统中的催化机制。
郑州大学周震教授团队撰写综述，从常用机器学习算法、到单金属、稀合金、多元合金再到高熵合金，介绍了机器学习在促进金属电催化剂领域的发展。此外，虽然ML可以有效提高催化剂筛选的效率，但在可转移性、泛化性和准确性方面仍有改进的空间。目前，基于ML的金属电催化剂的研究主要集中在描述符和催化剂筛选上，对动力学和催化剂表面稳定性的研究较少。未来的工作可集中在开发能够提供更多化学信息的模型，例如原子电荷、偶极矩、电子密度、激发能和键能等，这将有助于对催化剂性能和机制的全面理解。
该综述发表于
Advanced Functional Materials (
https://doi.org/10.1002/adfm.202401887
)
，第一作者为郑州大学硕士研究生范欣宇，通讯作者为郑州大学张旭直聘研究员和焦梦改直聘副研究员。该工作得到了国家自然科学基金
(
22203077
)
和河南省优势学科培育联合基金项目
(
232301420051
)
资助。
第一作者简介
范欣宇，
2023
年本科毕业于河南理工大学，现为郑州大学化工学院研究生。主要研究方向为计算电催化。
通讯作者简介
张旭，现为郑州大学化工学院直聘研究员，多年来致力于结合理论计算与机器学习研究二维无机催化材料。长期致力于结合计算模拟、高通量筛选和机器学习等方法，围绕能量存储与转化材料的设计、筛选及界面催化反应机理的探索等方面开展系统性工作。以
(
共同
)
第一
/
通讯作者在
J. Am. Chem. Soc.
、
Adv. Energy Mater.
、
Adv. Funct. Mater.
等期刊发表论文
40
余篇，引用
7000
余次，个人
h-index 44
。
焦梦改，现为郑州大学化工学院直聘副研究员，博士毕业于中国科学院长春应用化学研究所稀土资源利用国家重点实验室，于2021年10月入职郑州大学化工学院。多年来主要从事重要能源转化过程中催化材料设计及相关催化机制的理论计算研究。先后主持国家自然科学基金青年基金、中国博士后科学基金面上项目、河南省高等学校重点科研项目等项目。目前，在Angew. Chem. Int. Ed.、Nat. Commun.、Green Energy Environ.、J. Mater. Chem. A、Nanoscale等期刊发表论文40余篇，单篇引用最高700余次。
