机器学习+DFT计算引领催化剂设计新趋势

对于传统催化剂设计与开发，最开始大家都是用经验试错法，或化学原理开发法，这些方法消耗了实验科学家绝大多数时间。为了进一步解释催化机理，缩短开发周期，理论化学家们开发了第一性原理计算方法及相关计算程序并广泛应用于各种催化反应研究体系中。

机器学习算法的逐渐成熟和计算资源的迅速发展，逐渐在顶刊中出现一些关于机器学习应用在材料设计中的案例。Nature在5月13号刊登了一篇文章：Accelerated discovery of CO2 electrocatalysts usingactive machine learning（DOI: 10.1038/s41586-020-2242-8），研究者通过机器学习和实验方法结合开发了一种Cu-Al催化剂，可用于高活性和选择性地将CO2电还原为C2H4。结合离散傅里叶变换，火山关系图和主动机器学习来优化催化剂性能，对有前景的电催化剂进行了高通量筛选和预测。

图1 用计算方法筛选Cu和Cu基化合物