机器学习顶刊文献_“大数据+机器学习”在光催化制氢中的研究范式

编者按

光催化分解水制氢是实现洁净生产氢能的理想途径。为了实现高效的太阳能到氢能的转化效率，我们迫切的需要开发更加高效的光催化剂， 而理解光催化剂的构效关系是其中的关键。然而通常对于构效关系的理解是基于试错(trail-and-error)的方法进行，而且获取的数据量少，导致得到的构效关系具有较大的局限性，无法用来很好的指导更加高效的催化剂的筛选。因此人们一直期待进行更加快速高效的构效关系的研究。来自利物浦大学的Andrew I. Cooper 教授研究组为我们提供了一个研究范式。他们基于聚合物光催化剂，通过将自动化实验过程与高通量合成、表征、计算相结合，构建了光催化剂活性与结构的大数据集。以上的大数据集，被用作机器学习算法结构的训练集。在考虑电子亲和能、离子化能力、光学带隙以及聚合物在水中的分散度四方面结构因素时，基于机器学习的模型预测的光催化活性与实验结果的线性拟合优度</