国际著名出版社Cell旗下计算科学子刊《Patterns》，近期发表电气与自动化学院郭宇铮教授课题组、工业科学研究院张召富研究员等人，在应用人工智能方法加速探索燃料电池的新型高性能电极领域的最新研究成果。

论文题目为《Machine-learning-assisted discovery of highly efficient high-entropy alloy catalysts for the oxygen reduction reaction》。武汉大学电气与自动化学院2021级博士万旭昊为第一作者，郭宇铮教授为通讯作者，武汉大学为第一作者单位。该研究得到了国家自然科学基金面上项目和武汉大学人才科研启动经费的支持。

先进的能量存储与转换技术是实现国家双碳战略目标，降低碳排放的关键。氧还原反应（ORR）则是可再生能源转化和利用过程中的一个重要反应。氧气可通过四电子途径还原为水，是质子交换膜燃料电池（PEMFCs）和金属-空气电池中的重要反应。因此探索具有高活性低过电势特性的电极材料以最大限度提高化学能量转换效率迫在眉睫。受益于巨大的构型空间，高熵合金（HEAs）在多相催化剂领域显示出巨大潜力。然而，巨大的结构空间使得通过传统的试错-实验方法系统性研究HEA变得极为困难。因此，课题组提出了机器学习辅助设计的第一性原理计算理论方法，研究了六种五元HEA表面上共计数百万个反应位点的氧还原反应活性。通过合理的数据提取和特征工程，构建了性能良好、精度高、通用性强、简单易用的梯度提升回归模型，可以准确预测HEA表面数百万个反应位点的催化活性。

机器学习过程示意图

此外，由于高熵合金很可能根据Hume-Rothery规则形成稳定的单一固溶体,本研究也进一步去研究和确保高活性HEA的高热力学和动力学稳定性。机器学习模型预测的结果和进一步的分析表明，HEA表面上的吸附能大约是反应位点附近金属原子的各个贡献的混合物。最后，课题组提出了一种通过调整金属元素成分比来设计HEA表面结构的策略，使吸附能分布可以更接近火山的峰值，从而扩大高活性反应位点面积。本研究可为燃料电池应用中高性能的高熵合金实际纳米结构合成提供合理和直接的指导，同时提出的新型交叉学科的研究方法展示了其探索新型电池解决方案的巨大潜力。

文章信息：

Machine-learning-assisted discovery of highly efficient high-entropy alloy catalysts for the oxygen reduction reaction, X. Wan#, Z. Zhang#, W. Yu, H. Niu, X. Wang, and Y. Guo*,Patterns,3, 100553 (2022)

https://www.cell.com/patterns/fulltext/S26663899(22)00158-1

（撰稿：万旭昊、张召富 审稿：徐箭 责编：上官海兰）