机器学习(ML)算法将使传统的材料优化方法发生革命性的变化。在这里，同济大学Lan Ling，南洋理工大学Shuzhou Li 通过发展一种包括建模、训练和预测的方法，扩大ML的使用范围，以帮助构建类Fenton单原子催化剂(SACs)。该方法可以有效地提取对Fenton活性有重要影响的合成参数，并准确地预测囊的苯酚降解率k，平均误差为±0.018 min?1。具有加速学习的扩展合成窗口使人们认识到，在SAC合成过程中的加热温度显著影响Fe?N配位数，这最终决定了它们的性能。通过ML引导的优化，确定了一个以Fe-N5位点为主的高效SAC(k=0.158 min?1)。（DOI：10.1021/acsnano.3c03610）

转自：“鲸锐学术”微信公众号

如有侵权，请联系本站删除！