面向电催化剂设计的Catalyst GFlowNet：氢演化反应案例研究

高效且经济的能源存储对于加速可再生能源的采用以及确保供电稳定性至关重要，后者受制于风力和太阳能等间歇性能源。电催化剂在氢能存储（HES）中发挥关键作用，使得能源可存储为氢气。然而，开发面向该过程的具有成本效益和高性能的催化剂仍然是一个重大挑战。我们引入了Catalyst GFlowNet，这是一种生成模型，利用机器学习基于形成和吸附能的预测器来设计高效催化剂的晶体表面。我们通过针对氢演化反应的案例研究演示了该模型的性能，成功识别出铂是已知最高效的催化剂。在未来工作中，我们计划将该方法扩展到氧演化反应，该反应当前的最优催化剂是昂贵的金属氧化物，并开放搜索空间以发现新材料。该生成建模框架为加速新型高效催化剂的搜索提供了有前景的道路。