通过文本挖掘与多目标优化发现电催化剂
材料科学
2025-03-03 v1
摘要
高性能材料的发现与优化是推进能源转换技术的基础。为了理解成分-性质关系，应利用所有可用数据源：实验结果、模拟预测以及科学文本中的隐性知识。在这三者之中，基于文本的数据源仍未被充分利用。我们提出了一种结合文本挖掘、材料与性质的 Word2Vec 表示以及 Pareto 前沿分析的方法，用于在其他数据源稀缺或不存在的区域预测用于电催化反应的高性能候选材料。候选成分根据其与“conductivity”（电导率）和“dielectric”（介电性）术语的相似度进行评估，从而实现对氧还原反应（ORR）、析氢反应（HER）和析氧反应（OER）的反应特异性候选成分预测。该方法结合 Pareto 优化，使我们能够将候选成分范围大幅缩小至高性能成分。我们的预测完全基于文本数据，且与实测的电化学活性高度吻合。
引用
@article{arxiv.2502.20860,
title = {Electrocatalyst discovery through text mining and multi-objective optimization},
author = {Lei Zhang and Markus Stricker},
journal= {arXiv preprint arXiv:2502.20860},
year = {2025}
}
备注
17 pages, 13 figures