PCCP：机器学习指导层状双氢氧化物（LDHs）析氧活性

研究背景

现代社会使用的大部分能源是化石燃料生产，但会污染环境，并导致全球变暖。因此，氢气也被认为是未来的新能源。电化学水分解是一种主要的制氢方法。它的半反应之一是析氧反应（OER），它表现出缓慢的动力学和高过电位。然而，使用合适的催化剂可以克服这两个问题。层状双氢氧化物（LDHs）由于其可调的性质，是析氧反应的优良催化剂。但可调节性质和其他因素之间的相互作用并不总是有利于LDHs的OER催化活性。

因此，北京林业大学薛智敏和中国人民大学牟天成等人应用机器学习（ML）来预测LDHs的Cdl值。利用化学成分、结构形态、电极、载体和测试条件作为关键特征，测试了14种不同的算法，然后将所得的Cdl值拟合到ML模型中。使用Pearson系数相关性对13个特征进行评估。此外，还构建了一个模型来预测OER的LDHs过电位。最后，使用实验数据测试了ML算法的预测能力，并确实获得了可靠的性能。

模型与实验方法

数据来源于在科学网搜索“LDH”、“OER”和“overpotential”关键字的文献数据。作者选用了催化材料的化学成分、催化剂形态、载体、测试条件四个标准中的13种性质作为输入特征，将Cdl值作为目标值。

选择了0，1编码方法对数据进行编码，提高模型预测精度。数据被随机分为训练集和测试集，比例为8:2。使用Pytorch和Scikit-Learn软件包对14种ML算法进行软件操作，通过十倍交叉验证的网格搜索来确定超参数。采用决定系数（R2）和均方误差（MSE）两个指标进行了评估，反映模型的准确性。在实验验证中采用水热法进行实验，通过扫描电子显微镜（SEM，Hitachi SU8010）对样品的元素和形态进行了表征。应用能谱仪（EDS）对元素图谱图像进行了表征。使用三电极CHI 660 E电化学工作站在1M KOH电解质中进行电化学分析。

结果与讨论

表面积（Cdl或ECSA）确保了底物的活性位点和反应物之间的反应。因此，期望从有效的催化剂获得高的Cdl