研究论文开放获取
Machine learning-based design of electrocatalysts and catalytic mechanism research
Kexiang Guo, Xinyu Fan, Letian Chen, Xu Zhang, Zhen Zhou
Zhengzhou University Nankai University
阅读操作
确认中在文库中上传 PDF 后可生成中文音频讲解。
摘要与影响
摘要 · 完整
本综述探讨了机器学习在电催化剂设计中的应用,尤其是在筛选高效电催化剂和加速催化过程中的作用.面对气候变化和能源需求的双重挑战,清洁能源技术成为可持续发展的核心,电催化作为关键技术发挥着重要作用.然而,传统的“试错法”存在高成本和低效率的问题,机器学习通过精确预测电催化性能、加速催化剂筛选与设计,成为解决这一瓶颈的重要工具.描述符能够揭示催化剂的基本特征与性能之间的关系,进而加速筛选过程.本文探讨了描述符如何在电催化剂设计中桥接基本特征与性能之间的关系,并综述了当前机器学习势在催化机制研究中的应用.此外,还介绍了大型语言模型在电催化剂设计中的创新应用.本文展示了机器学习在复杂反应机制探索中的巨大潜力,并展望了未来的发展趋势和挑战.
逐年被引趋势
210
225
26
关键指标
4
被引次数 · OpenAlex
0.71
领域内被引倍数
同类平均 = 1
同类平均 = 1
前 42%
引用位次
同领域 · 同年份 · 同类型
同领域 · 同年份 · 同类型
87
参考文献
Google Scholar 与 OpenAlex 的被引统计范围不同,数值存在差异属正常。
AI 辅助阅读
依据:摘要
论文问答
当前基于摘要回答
可就本文提问;依据不足时会说明。
学术脉络
学科主题
材料 / 化学Machine Learning in Materials Science
Electrocatalysts for Energy Conversion · CO2 Reduction Techniques and Catalysts
参考文献 87
暂无参考文献明细
引用本文 4
暂无引用本文的记录