利用数据挖掘、主动学习和领域自适应的多阶段机器学习驱动方法高效发现先进酸性析氧电催化剂
材料科学
2024-07-09 v1 机器学习
化学物理
摘要
开发用于酸性析氧反应（OER）的先进催化剂对于可持续制氢至关重要。本研究引入了一种新颖的多阶段机器学习（ML）方法，以简化复杂多金属催化剂的发现和优化过程。我们的方法整合了数据挖掘、主动学习和领域自适应，贯穿材料发现的整个过程。与传统的试错法不同，该方法利用领域知识系统地缩小探索空间，最大限度地减少对主观直觉的依赖。然后，主动学习模块通过迭代实验反馈，有效地优化元素组成和合成条件。该过程最终发现了一种有前景的 Ru-Mn-Ca-Pr 氧化物催化剂。我们的工作流程还通过领域自适应策略增强了理论模拟，提供了与实验结果一致的更深入的机理见解。通过利用多样化的数据源和多种 ML 策略，我们建立了一条高效的催化剂发现和优化路径。这种全面的数据驱动方法代表了电催化剂研究的范式转变，并可能树立新的基准。
引用
@article{arxiv.2407.04877,
title = {Leveraging Data Mining, Active Learning, and Domain Adaptation in a Multi-Stage, Machine Learning-Driven Approach for the Efficient Discovery of Advanced Acidic Oxygen Evolution Electrocatalysts},
author = {Rui Ding and Jianguo Liu and Kang Hua and Xuebin Wang and Xiaoben Zhang and Minhua Shao and Yuxin Chen and Junhong Chen},
journal= {arXiv preprint arXiv:2407.04877},
year = {2024}
}
备注
95 pages (main text 37 pages; supplementary materials 58 pages); 38 figures (main text 6 figures; supplementary materials 32 figures)