.png){kind=icon}
返回
Developing machine learning for heterogeneous catalysis with experimental and computational data
.png){kind=icon}
PRE
AI
DOI：10.1038/s41570-025-00740-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习技术已作为一种有用工具出现，用于识别大型数据集中的复杂模式和相关性，例如将催化剂性能与其物理化学性质相关联。在异相催化领域，机器学习模型主要使用高通量量子化学计算开发，仅有少数案例研究导致实验验证的催化剂改进。这种有限的成功可能是由于计算研究中使用了简化的催化剂结构以及缺乏全面的实验数据集。在本综述中，我们汇集了整合高通量方法和机器学习以推动固体异相催化发展的研究，利用了实验和计算数据。我们基于用作模型输入和输出的描述符、所研究材料、设备或反应、数据集大小以及整体成就，系统地分析了该领域的趋势。此外，对于报告无单位R2值的模型，我们根据上述趋势比较了其性能。机器学习通过将性能与可控制的物理化学性质联系起来，辅助异相催化研究。本综述讨论了实验和计算的、高通量和机器学习的方法，通过建模方法、特征、数据集大小、准确性和反应类型进行比较。
期刊
IF:
51.7
论文数:
1.0K
被引数:
1.6W
机构
引用论文
Accelerated discovery of CO2 electrocatalysts using active machine learning使用主动机器学习加速发现CO2电催化剂.png)
Nature
NatureIF0
PREAI
分享收藏Challenges in High-Throughput Inorganic Materials Prediction and Autonomous Synthesis高通量无机材料预测和自主合成的挑战PRX Energy
OAAI
PRX EnergyIF0
OAAI分享收藏Knowledge Extraction from Catalysis of the Past: A Case of Selective CO Oxidation over Noble Metal Catalysts between 2000 and 2012从过去的催化中提取知识: 贵金属催化剂2000年和2012上选择性CO氧化的案例CHEMCATCHEM
CHEMCATCHEMIF3.9
PREAI
分享收藏Managing the Computational Chemistry Big Data Problem: The ioChem-BD Platform管理计算化学大数据问题: iochem-bd平台
PREAI
分享收藏Data-Driven Prediction of Configurational Stability of Molecule-Adsorbed Heterogeneous Catalysts
PREAI
分享收藏
查看更多内容