OC
英语轻松读发新版了，欢迎下载、更新

通过实验和计算数据开发用于异质催化的机器学习

2025-07-18 12:10:57 英文原文

作者：Aspuru-Guzik, Alán

参考

  1. Rothenberg，G。催化。概念和绿色应用127â187（Wiley-VCH，2008年）。

  2. Tembhurne，S.，Nandjou，F。＆Haussener，S。一种在浓缩太阳辐射下运行的热协同光电化学氢发生器。纳特。活力 4，399奥407（2019）。

    CAS一个 Google Scholar一个 

  3. Steinfeld，A。氢综述的太阳能热化学产生。sol。活力 78，603 - 615（2005）。

    CAS一个 Google Scholar一个 

  4. Fukushima，A。＆Honda，K。半导体电极上水的电化学光解。自然 238，37â38（1972）。

    Google Scholar一个 

  5. Taibi，E.，Blanco，H.，Miranda，R。＆Carmo，M。绿色氢成本降低：扩展电解器以满足1.5°C的气候目标。国际可再生能源机构 https://www.irena.org/publications/2020/dec/green-hydrogen-cost-reduction（2020）。

  6. Burwell，R。L. in催化。科学技术（Eds Anderson，J。R.＆Boudart，M。）1â87（Springer，1982）。

  7. Moulijn，J。A.＆van Santen，R。A. in当代催化。科学，技术和应用（Eds Kamer，P。C. J.，Vogt，D。＆Thybaut，J。W.）3 28（皇家化学学会，2017年）。

  8. Baerlocher，C.，McCusker，L。B.＆Olson，D。H.沸石框架类型的地图集第六版（Elsevier，2007年）。

  9. Margeta，K。＆Farkaå¡，A。沸石 - 新挑战（Eds Margeta，K。＆Farkaå，A。）1（Intechopen，2020）。

  10. Green，M。L.等。通过高通量实验方法实现材料基因组计划的承诺。应用。物理。修订版 4，011105（2017）。

    Google Scholar一个 

  11. DAR，Y。L.高通量实验：化学和材料行业的强大促成技术。大分子。快速社区。 25，34 - 47（2004）。

    CAS一个 Google Scholar一个 

  12. Steinmann，S.N.，Hermawan，A.，Bin Jassar，M。＆Seh，Z。W.催化中的自动高通量计算。Chem Catal。 2，940â956（2022）。

    CAS一个 Google Scholar一个 

  13. Nârskov，J。K.，Bligaard，T.，Rossmeisl，J。＆Christensen，C。H.朝着实心催化剂的计算设计。纳特。化学 1，37â46（2009）。

    PubMed一个 Google Scholar一个 

  14. Farrusseng，D。高通量异质催化。冲浪。科学。代表。 63，487 - 513（2008）。

    CAS一个 Google Scholar一个 

  15. 艾伦（C.纳特。催化。 2，2â4（2019）。

    Google Scholar一个 

  16. Gâ©Ron，A。Scikit-Learn，Keras和TensorFlow的动手机器学习：构建智能系统的概念，工具和技术第二版（OâReilly，2019年）。

  17. Pedregosa，F。等。Scikit-Learn：Python中的机器学习。J. Mach。学习。res。 12，2825 2830（2011）。

    Google Scholar一个 

  18. Abadi，M。等。TensorFlow：异质分布式系统上的大规模机器学习。奥斯迪16：Proc。第12届USENIX操作系统设计和实施会议265 283（OSDI，2016年）。

  19. Guido，S。＆Mã¼ller，A。C.Python的机器学习简介：数据科学家指南第一版（OâReilly，2016年）。

  20. Royse，C.，Wolter，S。＆Greenberg，J。A.通过机器学习中XRD数据中类的出现和区别。在Proc。SPIE 10999，X射线的异常检测和成像（ADIX） https://doi.org/10.1117/12.2519500（Spie，2019年）。

  21. Kalinin，S。V.等。扫描传输电子显微镜中的机器学习。纳特。Rev.方法引物 2，11（2022）。

    CAS一个 Google Scholar一个 

  22. Carbone，M。R.，Topsakal，M.，Lu，D。＆Yoo，S。机器学习X射线吸收光谱至定量准确性。物理。莱特牧师。 124，156401（2020）。

    CAS一个 PubMed一个 Google Scholar一个 

  23. Modarres，M。H.纳米科学扫描电子显微镜图像识别的神经网络。科学。代表。 7，13282（2017）。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  24. 霍华斯（A.化学科学。 11，4351年4359（2020）。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  25. Jensen，Z。等。自动文献数据提取实现了一种机器学习方法来实现沸石合成。ACS Cent。科学。 5，892â899（2019）。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  26. Huo，H。等。材料合成程序的半监督机学习分类。NPJ计算。母校。 5，62（2019）。

    Google Scholar一个 

  27. Tang，B。等。高级无机材料的机器学习引导的合成。母校。今天 41，72 - 80（2020）。

    CAS一个 Google Scholar一个 

  28. Shimizu，R.，Kobayashi，S.，Watanabe，Y。，Ando，Y。＆Hitosugi，T。通过机器学习和机器人技术合成自主材料。apl mater。 8，111110（2020）。

    CAS一个 Google Scholar一个 

  29. Shambhawi，Mohan，O.，Choksi，T。S.＆Lapkin，A。A.使用计算方法的异质催化剂的设计和优化。催化。科学。技术。 14，515â532（2024）。

    CAS一个 Google Scholar一个 

  30. Gã¼nay，M。E.＆Yä±ldä±rä±m，R。使用机器学习的异质催化的知识发现的最新进展。催化。修订版 63，120 A164（2021）。

    Google Scholar一个 

  31. 麦卡洛（K.物理。化学化学物理。 22，11174年11196（2020）。

    CAS一个 PubMed一个 Google Scholar一个 

  32. Goldsmith，B。R.，Esterhuizen，J.，Liu，J.，Bartel，C。J.＆Sutton，C。异质催化剂设计与发现的机器学习。Aiche J. 64，2311 2323（2018）。

    CAS一个 Google Scholar一个 

  33. Bahn，S。R.＆Jacobsen，K。W.针对遗留电子结构代码的面向对象的脚本接口。计算。科学。工程。 4，56 - 66（2002）。

    CAS一个 Google Scholar一个 

  34. Ong，S。P。等。Python材料基因组学（PYMATGEN）：材料分析的强大的开源Python库。计算。母校。科学。 68，314 319（2013）。

    CAS一个 Google Scholar一个 

  35. Jain，A。等。烟火：专为高通量应用设计的动态工作流系统。同意。计算。实践。经验。 27，5037年5059（2015）。

    Google Scholar一个 

  36. 麦德，F。等。可持续数据分析与Snakemake。F1000研究10 ，33（2021）。PubMed

    一个 PubMed Central一个 Google Scholar一个 Huber，S。P.等。AIIDA 1.0，一种可扩展的计算基础架构，用于自动可重复的工作流和数据出处。

  37. 科学。数据 7，300（2020）。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  38. âlvarez-Moreno，M。等。管理计算化学大数据问题：iochem-BD平台。J. Chem。inf。模型。 55，95 103（2015）。

    PubMed一个 Google Scholar一个 

  39. Scheidgen，M。等。NOMAD：一个基于Web的分布式平台，用于管理材料科学研究数据。J.开源软件。 8，5388（2023）。

    Google Scholar一个 

  40. Esters，M。等。aflow.org：数据库，软件和工具的Web生态系统。计算。母校。科学。 216，111808（2023）。

    Google Scholar一个 

  41. Saal，J。E.，Kirklin，S.，Aykol，M.，Meredig，B。＆Wolverton，C。具有高通量密度功能理论的材料设计和发现：开放量子材料数据库（OQMD）。乔姆 65，1501年1509年（2013年）。

    CAS一个 Google Scholar一个 

  42. Jain，A。等。评论：材料项目：一种加速材料创新的材料基因组方法。apl mater。 1，011002（2013）。

    Google Scholar一个 

  43. Bo，C.，Maseras，F。＆Lã³pez，N。计算结果数据库在加速催化剂发现中的作用。纳特。催化。 1，809 - 810（2018）。

    Google Scholar一个 

  44. Tran，R。等。开放催化剂2022（OC22）数据集和氧化电催化剂的挑战。ACS Catal。 13，3066 3084（2023）。

    CAS一个 Google Scholar一个 

  45. Chanussot，L。等。Open Catalyst 2020（OC20）数据集和社区挑战。ACS Catal。 11，6059年6072（2021）。

    CAS一个 Google Scholar一个 

  46. Tezak，C。等。野兽DB：电催化剂特性的大型典型数据库。J. Phys。化学c 128，20165年20176年（2024年）。

    CAS一个 Google Scholar一个 

  47. Wilkinson，M。D.等。科学数据管理和管理的公平指导原则。科学。数据 3，160018（2016）。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  48. Alegre-Requena，J。V.，Sowndarya，S.，Alturaifi，T.，Pâ©Rez-Soto，R。＆Paton，R。Aqme：研究人员和教育者的自动量子机械环境。Wiley Interdiscip。Rev. Comput。摩尔。科学。 13，E1663（2023）。

    CAS一个 Google Scholar一个 

  49. Senocrate，A。等。电化学CO中的平行实验2通过标准化分析启用还原。纳特。催化。 7，742 - 752（2024）。

    CAS一个 Google Scholar一个 

  50. 琼斯，R。J。R.等。加速筛选气体扩散电极以减少二氧化碳。数字。Discov。 3，1144年1149（2024）。

    CAS一个 Google Scholar一个 

  51. Chammingkwan，P.，Terano，M。＆Taniike，T。烯烃聚合催化剂的高通量合成材料。ACS梳子。科学。 19，331â342（2017）。

    CAS一个 PubMed一个 Google Scholar一个 

  52. Nguyen，T。N.等。甲烷氧化偶联的高通量实验和催化剂信息学。ACS Catal。 10，921 - 932（2020）。

    CAS一个 Google Scholar一个 

  53. Barad，H.-N。等。多纳米结构薄功能膜的组合生长。母校。今天 50，89 99（2021）。

    CAS一个 Google Scholar一个 

  54. Batchelor，T。A。A.等。通过计算预测和高通量实验发现复杂的溶解电催化剂。安格。化学int。ed。 60，6932 - 6937（2021）。

    CAS一个 Google Scholar一个 

  55. Strotkã¶Tter，V。等。发现高氧化氧化物电催化剂的发现：从薄膜材料文库到颗粒。化学母校。 34，10291 10303（2022）。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  56. Zerdoumi，R。等。对电催化剂的合理固体溶液中电子和几何效应的组合筛选。ADV。能源母校。 14，2302177（2024）。

    CAS一个 Google Scholar一个 

  57. Yang，K。等。开发用于筛选改良薄膜催化剂的抑制耐药性的高通量方法。ACS梳子。科学。 14，372 377（2012）。

    CAS一个 PubMed一个 Google Scholar一个 

  58. Abed，J。等。开放催化剂实验2024（OCX24）：桥接实验和计算模型。预印本https://doi.org/10.48550/arxiv.2411.11783（2024）。

  59. Reddington，E。等。组合电化学：一种高度平行的光学筛选方法，可发现更好的电催化剂。科学 280，1735年1737年（1998年）。

    CAS一个 PubMed一个 Google Scholar一个 

  60. Seley，D.，Ayers，K。＆Parkinson，B。A.在酸性电解质中搜索改进的金属氧化物氧气氧气的电催化剂。ACS梳子。科学。 15，82 - 89（2013）。

    CAS一个 PubMed一个 Google Scholar一个 

  61. Katz，J。E.，Gingrich，T。R.，Santori，E。A.＆Lewis，N。S.组合合成以及混合金属氧化物的高通量光电位和光电流筛选，以进行光电化学水剥离。能源环境。科学。 2，103 - 112（2009）。

    CAS一个 Google Scholar一个 

  62. Stein，H。S.等。功能映射揭示了机械簇，用于跨越（cuâmnâtaâcoâfe）o的OER催化x组成和pH空间。母校。水平。 6，1251年1258（2019）。

    CAS一个 Google Scholar一个 

  63. Gregoire，J。M。等。催化和光学筛选，以发现太阳能燃料催化剂的高吞吐量。J. Electrochem。Soc。 160，F337（2013）。

    CAS一个 Google Scholar一个 

  64. Shinde，A。等。高通量筛选（MnâcoâsB）O中的酸稳定的氧气进化电催化剂x组成空间。电催化6 ，229 - 236（2015）。CAS

    一个 Google Scholar一个 Rohr，B。等。通过顺序学习对材料发现的加速进行基准测试。

  65. 化学科学。 11，2696 2706（2020）。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  66. Guevarra，D。等。高吞吐量发现复杂的金属氧化物电催化剂以减少氧气反应。电催化 13，1 -10（2022）。

    CAS一个 Google Scholar一个 

  67. 伍德豪斯（M.化学母校。 20，2495 2502（2008）。

    CAS一个 Google Scholar一个 

  68. Kafizas，A。等。优化纳米结构化WO的活性3太阳能分裂的光射流：通过化学蒸气沉积直接合成。J. Phys。化学c 121，5983 - 5993（2017）。

    CAS一个 Google Scholar一个 

  69. Woodhouse，M.，Herman，G。S.＆Parkinson，B。A.鉴定水光电溶解的催化剂的组合方法。化学母校。 17，4318年4324（2005）。

    CAS一个 Google Scholar一个 

  70. Zhou，L。等。第四纪氧化物光阳极的发现改善了铜味的光谱响应和光电压。事情 3，1614年1630（2020）。

    Google Scholar一个 

  71. Greeley，J。理论异质催化：缩放关系和计算催化剂设计。安努。化学修订版。生物元。工程。 7，605年635（2016）。

    PubMed一个 Google Scholar一个 

  72. 梅德福，A。J。等。从Sabatier原理到过渡金属异质催化的预测理论。J. Catal。 328，36 42（2015）。

    CAS一个 Google Scholar一个 

  73. 桑顿（A. W.2减少。RSC Adv。 5，44361 44370（2015）。

    CAS一个 Google Scholar一个 

  74. MA，X.，Li，Z.，Achenie，L。E. K.＆Xin，H。CO的机器学习功能化学吸附模型2电催化剂筛选。J. Phys。化学Lett。 6，3528â3533（2015）。

    CAS一个 PubMed一个 Google Scholar一个 

  75. Chen，Y.，Huang，Y.，Cheng，T。和Goddard，W。A.确定CO的活跃场所2通过将机器学习与多尺度模拟相结合，减少了Deaploy的金表面。J. Am。化学Soc。 141，11651年11657（2019）。

    CAS一个 PubMed一个 Google Scholar一个 

  76. Gu，G。H.等。实用的深度学习表示，用于快速异质催化剂筛选。J. Phys。化学Lett。 11，3185 3191（2020）。

    CAS一个 PubMed一个 Google Scholar一个 

  77. Chen，A.，Zhang，X.，Chen，L.，Yao，S。＆Zhou，Z。CO简单功能的机器学习模型2还原电催化剂。J. Phys。化学c 124，22471 22478（2020）。

    CAS一个 Google Scholar一个 

  78. Yohannes，A。G。等。电化学CO的过渡金属氮化物的高通量DFT和ML筛选2减少。ACS Catal。 13，9007年9017（2023）。

    CAS一个 Google Scholar一个 

  79. Yang，Z.，Gao，W。＆Jiang，Q。一种机器学习方案，用于具有内在描述符合金的催化活性。J. Mater。化学一个 8，17507年17515（2020）。

    CAS一个 Google Scholar一个 

  80. Mok，D。H.＆Back，S。Active catalyst Discovery的主动图案的无原子结构表示。J. Chem。inf。模型。 61，4514年4520（2021）。

    CAS一个 PubMed一个 Google Scholar一个 

  81. Noh，J.，Back，S.，Kim，J。＆Jung，Y。从头开始高效CO的输入功能2还原催化剂。化学科学。 9，5152 - 5159（2018）。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  82. Zhong，M。等。加速发现CO2电催化剂使用主动机器学习。自然 581，178 - 183（2020）。

    CAS一个 PubMed一个 Google Scholar一个 

  83. Pankajakshan，P。等。材料科学的机器学习和统计分析：指纹描述符和化学见解的稳定性和可传递性。化学母校。 29，4190 A4201（2017）。

    CAS一个 Google Scholar一个 

  84. Tran，K。＆Ulissi，Z。W.跨金属间学的主动学习指导CO的电催化剂发现2还原和h2进化。纳特。催化。 1，696 - 703（2018）。

    CAS一个 Google Scholar一个 

  85. 弗里德里奇（P.纳特。母校。 20，750 761（2021）。

    CAS一个 PubMed一个 Google Scholar一个 

  86. Kocer，E.，Ko，T。W.和Behler，J。神经网络潜力：方法的简洁概述。安努。Rev. Phys。化学 73，163 - 186（2022）。

    CAS一个 PubMed一个 Google Scholar一个 

  87. Artrith，N。＆Kolpak，A。M.了解水溶剂中电催化纳米合金的组成和活性：DFT和准确的神经网络电位的组合。Nano Lett。 14，2670 2676（2014）。

    CAS一个 PubMed一个 Google Scholar一个 

  88. Ulissi，Z。W.等。机器学习方法可以详尽地搜索主动的双金属面，并揭示CO的主动地点图案2减少。ACS Catal。 7，6600â6608（2017）。

    CAS一个 Google Scholar一个 

  89. Lunger，J。R.等。迈向原子氧化物催化剂的原子水平，用于与机器学习的氧气进化反应。NPJ计算。母校。 10，80（2024）。

    CAS一个 Google Scholar一个 

  90. Li，Z.，Achenie，L。E. K.＆Xin，H。一种适应性机器学习策略，用于加速钙钛矿电催化剂。ACS Catal。 10，4377年4384（2020）。

    CAS一个 Google Scholar一个 

  91. Flores，R。A。等。积极的学习加速了氧化物氧化物多晶型物的稳定的氧气进化反应的发现。化学母校。 32，5854年5863（2020）。

    CAS一个 Google Scholar一个 

  92. Andersen，M。＆Reuter，K。通过机器学习描述符进行催化建模的吸附焓。ACC。化学res。 54，2741 2749（2021）。

    CAS一个 PubMed一个 Google Scholar一个 

  93. 安德森（M.ACS Catal。 9，2752 2759（2019）。

    CAS一个 Google Scholar一个 

  94. Abed，J。等。Pourbaix机器学习框架识别出酸性水氧化催化剂，这些催化剂表现出被抑制的胰阳性溶解。J. Am。化学Soc。 146，15740年15750（2024）。

    CAS一个 PubMed一个 Google Scholar一个 

  95. Chen，L。等。用于电催化剂创新的通用机器学习框架：发现用于氢进化反应合金的案例研究。ADV。功能。母校。 32，2208418（2022）。

    CAS一个 Google Scholar一个 

  96. Zheng，J。等。在MXENE材料中对氢进化反应催化剂的高通量筛选。J. Phys。化学c 124，13695年13705（2020）。

    CAS一个 Google Scholar一个 

  97. 亚伯拉罕（B.J. Mater。化学一个 11，8091年8100（2023）。

    CAS一个 Google Scholar一个 

  98. GE，L。等。基于基于机器量子力学中的机器学习分析，基于硅化葡萄糖剂异质结构，预测了用于氢化核酸盐的氧气进化反应和氧气进化反应的最佳双功能电催化剂。J. Phys。化学Lett。 11，869 - 876（2020）。

    CAS一个 PubMed一个 Google Scholar一个 

  99. Wexler，R。B.，Martirez，J。M. P.＆Rappe，A。M. Ni的氢化活性的化学压力驱动增强2p从非金属表面掺杂通过机器学习解释。J. Am。化学Soc。 140，4678年4683（2018）。

    CAS一个 PubMed一个 Google Scholar一个 

  100. 帕克（A. J.J. Appl。物理。 128，014301（2020）。

    CAS一个 Google Scholar一个 

  101. Sun，B.，Barron，H.，Opletal，G。＆Barnard，A。S.从过程到属性：铂纳米催化剂的合成条件和结构障碍相关。J. Phys。化学c 122，28085 28093（2018）。

    CAS一个 Google Scholar一个 

  102. Rã¼ck，M.，Garlyyev，B.，Mayr，F.，Bandarenka，A。S.＆Gagliardi，A。通过机器学习预测的应变铂核心壳电催化剂的氧气还原活性。J. Phys。化学Lett。 11，1773年1780年（2020年）。

    PubMed一个 Google Scholar一个 

  103. Chun，H。等。第一原则数据集成的机器学习方法，用于高通量搜索三元电催化剂，以降低氧气还原反应。Chem Catal。 1，855 - 869（2021）。

    CAS一个 Google Scholar一个 

  104. Kang，J。等。第一原理数据库驱动的计算神经网络方法，以发现活性三元纳米催化剂以进行氧气还原反应。物理。化学化学物理。 20，24539 24544（2018）。

    CAS一个 PubMed一个 Google Scholar一个 

  105. Batchelor，T。A。A.等。高渗透合金作为电催化的发现平台。焦耳 3，834 A 845（2019）。

    CAS一个 Google Scholar一个 

  106. Svane，K。L.＆Rossmeisl，J。高脑氧化物对氧气进化反应的理论优化。安格。化学int。ed。 61，E202201146（2022）。

    CAS一个 Google Scholar一个 

  107. Wan，X。等。机器学习辅助发现高效的高渗透合金催化剂，以减少氧气。模式 3，100553（2022）。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  108. Xu，W。，Diesen，E.，He，T.，Reuter，K。＆Margraf，J。T.在具有多物理优化的巨大组成空间中发现高熵合金电催化剂。J. Am。化学Soc。 146，7698年7707（2024）。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  109. Pedersen，J。K.等。贝叶斯优化用于电催化氧还原的高渗透合金组成。安格。化学int。ed。 60，24144 24152（2021）。

    CAS一个 Google Scholar一个 

  110. Jinnouchi，R。，Hirata，H。＆Asahi，R。通过机器学习方案推出簇和单晶表面上的能量。J. Phys。化学c 121，26397 26405（2017）。

    CAS一个 Google Scholar一个 

  111. Jinnouchi，R。和Asahi，R。通过DFT辅助机器学习算法预测纳米颗粒的催化活性。J. Phys。化学Lett。 8，4279 - 4283（2017）。

    CAS一个 PubMed一个 Google Scholar一个 

  112. Hutchinson，M。L.等。通过转移学习克服数据稀缺。预印本https://doi.org/10.48550/arxiv.1711.05099（2017）。

  113. 扎法里（M.J. Mater。化学一个 8，5209 - 5216（2020）。

    CAS一个 Google Scholar一个 

  114. Kim，M。等。人工智能加速N2电催化剂。化学母校。 32，709 - 720（2020）。

    CAS一个 Google Scholar一个 

  115. Shakouri，K.，Behler，J.，Meyer，J。＆Kroes，G.-J。反应性气体表面动力学中表面声子的精确神经网络描述：n2+ ru（0001）。J. Phys。化学Lett。 8，2131 2136（2017）。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  116. Boes，J。R.＆Kitchin，J。R.动态PD表面上氧相互作用的神经网络预测。摩尔。模拟。 43，346 354（2017）。

    CAS一个 Google Scholar一个 

  117. Li，Z.，Wang，S.，Chin，W。S.，Achenie，L。E.＆Xin，H。通过机器学习启用了双金属催化剂的高通量筛选。J. Mater。化学一个 5，24131 24138（2017）。

    CAS一个 Google Scholar一个 

  118. Back，S。等。原子表面结构的卷积神经网络预测催化剂高通量筛选的结合能。J. Phys。化学Lett。 10，4401 4408（2019）。

    CAS一个 PubMed一个 Google Scholar一个 

  119. Davran-Candan，T.，Gã¼nay，M。E.＆Yä±ldä±rä±M，R。CO和O的结构和活动关系2使用密度功能理论和人工神经网络对金纳米颗粒的吸附。J. Chem。物理。 132，174113（2010）。

    PubMed一个 Google Scholar一个 

  120. Tomacruz，J。G. T.，Pilario，K。E. S.，Remolona，M。F. M.，Padama，A。A. A. A. A. A. B.＆Ocon，J。D.一种机器学习加速度密度功能理论（ML-DFT）方法，用于预测原子上的吸附能量，用于单金属过渡金属表面上的电位型金属表面，用于电解型筛选。化学工程。反式。 94，733 - 738（2022）。

    Google Scholar一个 

  121. Panapitiya，G。等。机器学习预测在硫化，Ag合成的Au纳米群体中的CO吸附。J. Am。化学Soc。 140，17508年17514（2018）。

    CAS一个 PubMed一个 Google Scholar一个 

  122. Pablo-Garcãa，S。等。通过图神经网络对金属上有机分子的吸附能进行快速评估。纳特。计算。科学。 3，433â442（2023）。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  123. Dasgupta，A.，Gao，Y.，Broderick，S。R.，Pitman，E。B.J. Phys。化学c 124，14158年14166（2020）。

    CAS一个 Google Scholar一个 

  124. Jung，H.，Sauerland，L.，Stocker，S.，Reuter，K。＆Margraf，J。T.机器学习驱动的全球表面吸附物几何形状的全球优化。NPJ计算。母校。 9，114（2023）。

    Google Scholar一个 

  125. Ock，J.，Badrinarayanan，S.，Magar，R.，Antony，A。＆Farimani，A。B.催化中吸附构型的多模式语言和图形学习。纳特。马赫。Intell。 6，1501年1511（2024）。

    Google Scholar一个 

  126. Noh，J。＆Chang，H。分子吸附的异质催化剂的数据驱动的构型稳定性预测。J. Chem。inf。模型。 63，5981年5995（2023）。

    CAS一个 PubMed一个 Google Scholar一个 

  127. Toyao，T。等。迈向有效利用甲烷：机器学习预测金属合金上的吸附能。J. Phys。化学c 122，8315 - 8326（2018）。

    CAS一个 Google Scholar一个 

  128. Singh，A。R.，Rohr，B。A.，Gauthier，J。A.＆NâRskov，J。K.使用机器学习模型预测化学反应屏障。催化。Lett。 149，2347 2354（2019）。

    CAS一个 Google Scholar一个 

  129. Takahashi，K。＆Miyazato，I。通过机器学习对异质催化反应中激活能的快速估计。J. Comput。化学 39，2405 2408（2018）。

    CAS一个 PubMed一个 Google Scholar一个 

  130. Bang，G。J.，Gu，G。H.，Noh，J。＆Jung，Y。排放条件下甲烷氧化催化剂的活性趋势。ACS Catal。 12，10255 - 10263（2022）。

    CAS一个 Google Scholar一个 

  131. Li，X.-T.，Chen，L.，Wei，G.-F.，Shang，C。＆Liu，Z.-P。通过机器学习模拟引导的实验实现的PD，乙炔半合理化的催化选择性急剧增加。ACS Catal。 10，9694年9705（2020）。

    CAS一个 Google Scholar一个 

  132. Ulissi，Z。W.，Singh，A。R.，Tsai，C。＆NâRskov，J。K.使用机器学习自动发现和构建表面相图。J. Phys。化学Lett。 7，3931 3935（2016）。

    CAS一个 PubMed一个 Google Scholar一个 

  133. 乌里西（Z.纳特。社区。 8，14621（2017）。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  134. Gu，G。H.＆Vlachos，D。G. PT上木质素单体的热化学性质估计的组添加性（111）。J. Phys。化学c 120，19234年19241年（2016年）。

    CAS一个 Google Scholar一个 

  135. Natarajan，S。K.和Behler，J。固体液体界面的神经网络分子动力学模拟：低索引铜面的水。物理。化学化学物理。 18，28704 28725（2016）。

    CAS一个 PubMed一个 Google Scholar一个 

  136. Artrith，N。＆Kolpak，A。M.使用反应性ANN电位的热平衡中Cuâau纳米合金的大典型分子动力学模拟。计算。母校。科学。 110，20 28（2015）。

    CAS一个 Google Scholar一个 

  137. 兰斯福德（J.纳特。社区。 11，1513（2020）。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  138. Zhai，H。＆Alexandrova，A。N.在通过GPU访问的催化条件下，PT簇的集合平均代表性加速了深层神经网络拟合全球优化。J. Chem。理论计算。 12，6213 - 6226（2016）。

    CAS一个 PubMed一个 Google Scholar一个 

  139. 费尔南德斯（M.RSC Adv。 7，48962 - 48971（2017）。

    CAS一个 Google Scholar一个 

  140. su，Y.-Q.等。异质单原子催化剂的稳定性：将热力学映射到动力学的缩放定律。NPJ计算。母校。 6，144（2020）。

    CAS一个 Google Scholar一个 

  141. Saadun，A。J。等。通过统计学习得出的描述符分析的二溴甲烷的金属催化的氢悬浮液的性能。ACS Catal。 10，6129年6143（2020）。

    CAS一个 Google Scholar一个 

  142. Pablo-Garcãa，S。等。从混合数据和统计学习中概括性能方程。ACS Catal。 12，1581年（2022）。

    Google Scholar一个 

  143. Corma，A.，Serra，J.，Serna，P。＆Moliner，M。将高通量表征整合到组合异质催化中：无监督的定量结构/性质关系模型的构造。J. Catal。 232，335â341（2005）。

    CAS一个 Google Scholar一个 

  144. Corma，A。等。通过使用人工神经网络（软计算技术）的高通量和遗传算法的应用（软计算技术）的高通量和遗传算法的优化烯烃环氧化催化剂。J. Catal。 229，513â524（2005）。

    CAS一个 Google Scholar一个 

  145. 鲍姆斯（L.应用。催化。一般 381，197 A208（2010）。

    CAS一个 Google Scholar一个 

  146. 鲍姆斯（L.J.梳子。化学 8，583 - 596（2006）。

    CAS一个 PubMed一个 Google Scholar一个 

  147. Serra，J。M.，Chica，A。＆Corma，A。通过组合方法对水和硫的耐药性提高的低温光石蜡异构化催化剂的发展。应用。催化。一般 239，35â42（2003）。

    CAS一个 Google Scholar一个 

  148. HoleåA，M。＆Baerns，M。催化中的前源神经网络。催化。今天 81，485 - 494（2003）。

    Google Scholar一个 

  149. Klanner，C。等。固体描述符的开发：向计算机教授催化直觉。安格。化学int。ed。 43，5347年5349（2004）。

    CAS一个 Google Scholar一个 

  150. Artrith，N.，Lin，Z。＆Chen，J。G.使用机器学习预测双金属金属催化剂对乙醇改革的活性和选择性。ACS Catal。 10，9438年9444（2020）。

    CAS一个 Google Scholar一个 

  151. Jayakumar，T.应用。催化。一般 666，119427（2023）。

    CAS一个 Google Scholar一个 

  152. Hattori，T。＆Kito，S。神经网络作为催化剂开发的工具。催化。今天 23，347 A355（1995）。

    CAS一个 Google Scholar一个 

  153. Madaan，N.，Shiju，N。R.＆Rothenberg，G。使用描述符模型预测氧化催化剂的性能。催化。科学。技术。 6，125â133（2016）。

    Google Scholar一个 

  154. Arcotumapathy，V.，Siahvashi，A。＆Adesina，A。A.催化剂设计和反应堆操作的新的加权最佳组合：甲烷蒸汽重构研究。Aiche J. 58，2412 2427（2012）。

    CAS一个 Google Scholar一个 

  155. Baysal，M.，Gã¼nay，M。E.＆Yä±ldä±rä±M，R。过去关于催化蒸汽改革的出版物的决策树分析，以开发高性能的启发式方法：统计评论。int。J.氢。活力 42，243 254（2017）。

    CAS一个 Google Scholar一个 

  156. ÅEner，A。N.，Gã¼nay，M。E.，Leba，A。＆Yä±ldä±Rä±M，R。使用决策树和人工神经网络分析对甲烷文献的干燥改革的统计回顾。催化。今天 299，289 302（2018）。

    Google Scholar一个 

  157. Hossain，M。A.，Ayodele，B。V.，Cheng，C。K.＆Khan，M。R.富含氢的合成酶生产的人工神经网络建模，该模型是从新颖的Ni/Cafe上产生的甲烷干燥重整2o4催化剂。int。J.氢。活力 41，11119 - 11130（2016）。

    CAS一个 Google Scholar一个 

  158. Han，X。等。使用数据挖掘技术筛选Ni/al的潜在添加剂2o3催化剂的催化剂。催化。科学。技术。 7，6042â6049（2017）。

    CAS一个 Google Scholar一个 

  159. Zavyalova，U。，Holena，M.，Schlãgl，R。＆Baerns，M。对氧化甲烷偶联的过去催化数据的统计分析，以实现对高性能催化剂组成的新见解。Chemcatchem 3，1935年（2011年）。

    CAS一个 Google Scholar一个 

  160. Takahashi，K.，Takahashi，L.，Nguyen，T。N.，Thakur，A。＆Taniike，T。催化剂通过机器学习和高通量数据的氧化偶联催化剂的多维分类。J. Phys。化学Lett。 11，6819年6826（2020）。

    CAS一个 PubMed一个 Google Scholar一个 

  161. Taniike，T.，Fujiwara，A.，Nakanowatari，S.，Garcãa-Escobar，F。＆Takahashi，K。催化剂设计的自动功能工程使用小数据，而无需先验目标催化。社区。化学 7，11（2024）。

    PubMed一个 PubMed Central一个 Google Scholar一个 

  162. Palkovits，S。关于催化中的机器学习的入门 - 带有代码的教程。Chemcatchem 12，3995 - 4008（2020）。

    CAS一个 Google Scholar一个 

  163. Pirro，L。等。异质催化中的描述属性关系：在统计和基本动力学建模之间利用协同作用。催化。科学。技术。 9，3109 3125（2019）。

    CAS一个 Google Scholar一个 

  164. Schmack，R。等。催化文献数据的荟萃分析揭示了OCM反应的性质性能相关性。纳特。社区。 10，441（2019）。

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  165. Takahashi，K.，Miyazato，I.，Nishimura，S。＆Ohyama，J。基于将机器学习与文献数据相结合的甲烷氧化催化剂，用于甲烷的氧化耦合。Chemcatchem 10，3223â3228（2018）。

    CAS一个 Google Scholar一个 

  166. Kondratenko，E。V.，Schlã¼ter，M.，Baerns，M.，Linke，D。＆Holena，M。通过文献数据的统计分析，开发用于甲烷氧化偶联的催化材料。催化。科学。技术。 5，1668年1677年（2015年）。

    CAS一个 Google Scholar一个 

  167. odabaåä±，â，gânay，M。E.＆yä±ldä±rä±m，R。2002年至2012年之间文献中出版物中贵族金属催化剂对水气体转移反应的知识提取。int。J.氢。活力 39，5733 - 5746（2014）。

    Google Scholar一个 

  168. Gã¼nay，M。E。＆Yildirim，R。促进的Au/Al建模优先CO氧化2o3使用决策树和模块化神经网络的催化剂。化学工程。res。des。 91，874 A882（2013）。

    Google Scholar一个 

  169. Günay, M. E. & Yildirim, R. Knowledge extraction from catalysis of the past: a case of selective CO oxidation over noble metal catalysts between 2000 and 2012.ChemCatChem 5, 1395–1406 (2013).

    Google Scholar一个 

  170. Günay, M. E. & Yildirim, R. Developing global reaction rate model for CO oxidation over Au catalysts from past data in literature using artificial neural networks.应用。Catal.A Gen. 468, 395–402 (2013).

    Google Scholar一个 

  171. Günay, M. E. & Yildirim, R. Neural network analysis of selective CO oxidation over copper-based catalysts for knowledge extraction from published data in the literature.Ind。Eng。化学res。 50, 12488–12500 (2011).

    Google Scholar一个 

  172. Smith, A., Keane, A., Dumesic, J. A., Huber, G. W. & Zavala, V. M. A machine learning framework for the analysis and prediction of catalytic activity from experimental data.应用。Catal.B Environ. 263, 118257 (2020).

    CAS一个 Google Scholar一个 

  173. Li, J., Pan, L., Suvarna, M. & Wang, X. Machine learning aided supercritical water gasification for H2-rich syngas production with process optimization and catalyst screening.化学工程。J. 426, 131285 (2021).

    CAS一个 Google Scholar一个 

  174. Baumes, L., Farrusseng, D., Lengliz, M. & Mirodatos, C. Using artificial neural networks to boost high-throughput discovery in heterogeneous catalysis.QSAR Comb.科学。 23, 767–778 (2004).

    CAS一个 Google Scholar一个 

  175. Günay, M. E., Türker, L. & Tapan, N. A. Decision tree analysis for efficient CO2utilization in electrochemical systems.J. CO2 Util. 28, 83–95 (2018).

    Google Scholar一个 

  176. Sun, Y., Yang, G., Wen, C., Zhang, L. & Sun, Z. Artificial neural networks with response surface methodology for optimization of selective CO2hydrogenation using K-promoted iron catalyst in a microchannel reactor.J. CO2 Util. 24, 10–21 (2018).

    CAS一个 Google Scholar一个 

  177. Suvarna, M., Araújo, T. P. & Pérez-Ramírez, J. A generalized machine learning framework to predict the space-time yield of methanol from thermocatalytic CO2氢化。应用。Catal.B Environ. 315, 121530 (2022).

    CAS一个 Google Scholar一个 

  178. Estahbanati, M. R. K., Feilizadeh, M. & Iliuta, M. C. Photocatalytic valorization of glycerol to hydrogen: optimization of operating parameters by artificial neural network.应用。Catal.B Environ. 209, 483–492 (2017).

    CAS一个 Google Scholar一个 

  179. Leonard, K. C. & Bard, A. J. Pattern recognition correlating materials properties of the elements to their kinetics for the hydrogen evolution reaction.J. Am。化学Soc。 135, 15885–15889 (2013).

    CAS一个 PubMed一个 Google Scholar一个 

  180. Can, E. & Yildirim, R. Data mining in photocatalytic water splitting over perovskites literature for higher hydrogen production.应用。Catal.B Environ. 242, 267–283 (2019).

    CAS一个 Google Scholar一个 

  181. Hickman, R. J., Häse, F., Roch, L. M. & Aspuru-Guzik, A. Gemini: dynamic bias correction for autonomous experimentation and molecular simulation.Preprint athttps://doi.org/10.48550/arXiv.2103.03391（2021）。

  182. Jenewein, K. J. et al.Navigating the unknown with AI: multiobjective Bayesian optimization of non-noble acidic OER catalysts.J. Mater.化学一个 12, 3072–3083 (2024).

    CAS一个 Google Scholar一个 

  183. Serra, J. M. & Vert, V. B. Quaternary mixture designs applied to the development of multi-element oxygen electrocatalysts based on the Ln0.58Sr0.4铁0.8公司0.2o3−我system (Ln = La1−x−y−zPRxSMyBAz: predictive modeling approaches.Catal.今天 159, 47–54 (2011).

    CAS一个 Google Scholar一个 

  184. Hong, W. T., Welsch, R. E. & Shao-Horn, Y. Descriptors of oxygen-evolution activity for oxides: a statistical evaluation.J. Phys。化学c 120, 78–86 (2016).

    CAS一个 Google Scholar一个 

  185. Paszke, A. et al.PyTorch: an imperative style, high-performance deep learning library.在Proc。33rd International Conference on Neural Information Processing Systems(eds Wallach, A. M. et al.) 8026–8037 (Curran, 2019).

  186. Bezanson, J., Edelman, A., Karpinski, S. & Shah, V. B. Julia: a fresh approach to numerical computing.SIAM Rev. 59, 65–98 (2017).

    Google Scholar一个 

  187. Chen, T. & Guestrin, C. XGBoost: a scalable tree boosting system.KDD ‘16: Proc.22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining785–794 (ACM, 2016).

  188. Wu, Y., Walsh, A. & Ganose, A. M. Race to the bottom: Bayesian optimisation for chemical problems.数字。Discov. 3, 1086–1100 (2024).

    Google Scholar一个 

  189. Sui, F., Guo, R., Zhang, Z., Gu, G. X. & Lin, L. Deep reinforcement learning for digital materials design.ACS Mater.Lett。 3, 1433–1439 (2021).

    CAS一个 Google Scholar一个 

  190. Pizzuto, G. et al.Accelerating laboratory automation through robot skill learning for sample scraping.在2024 IEEE 20th International Conference on Automation Science and Engineering (CASE)2103–2110 (IEEE, 2024).

  191. Lan, T., Wang, H. & An, Q. Enabling high throughput deep reinforcement learning with first principles to investigate catalytic reaction mechanisms.纳特。社区。 15, 6281 (2024).

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  192. Lan, T. & An, Q. Discovering catalytic reaction networks using deep reinforcement learning from first-principles.J. Am。化学Soc。 143, 16804–16812 (2021).

    CAS一个 PubMed一个 Google Scholar一个 

  193. Mamun, O., Winther, K. T., Boes, J. R. & Bligaard, T. A Bayesian framework for adsorption energy prediction on bimetallic alloy catalysts.npj Comput.母校。 6, 177 (2020).

    CAS一个 Google Scholar一个 

  194. Farrusseng, D. et al.Design of discovery libraries for solids based on QSAR models.QSAR Comb.科学。 24, 78–93 (2005).

    CAS一个 Google Scholar一个 

  195. Farrusseng, D., Clerc, F., Mirodatos, C. & Rakotomalala, R. Virtual screening of materials using neuro-genetic approach: concepts and implementation.计算。母校。科学。 45, 52–59 (2009).

    CAS一个 Google Scholar一个 

  196. Tapan, N. A., Günay, M. E. & Yildirim, R. Constructing global models from past publications to improve design and operating conditions for direct alcohol fuel cells.化学工程。res。Des. 105, 162–170 (2016).

    CAS一个 Google Scholar一个 

  197. Alper Tapan, N., Yıldırım, R. & Günay, M. E. Analysis of past experimental data in literature to determine conditions for high performance in biodiesel production: determining conditions for high performance in biodiesel production.生物燃料生物蛋白酶。生物鱼。 10, 422–434 (2016).

    CAS一个 Google Scholar一个 

  198. Suvarna, M., Preikschas, P. & Pérez-Ramírez, J. Identifying descriptors for promoted rhodium-based catalysts for higher alcohol synthesis via machine learning.ACS Catal。 12, 15373–15385 (2022).

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  199. Bozal-Ginesta, C. et al.Performance prediction of high-entropy perovskites La0.8Sr0.2Mnx公司y铁zo3with automated high-throughput characterization of combinatorial libraries and machine learning.ADV。母校。 36, e2407372 (2024).

    PubMed一个 Google Scholar一个 

  200. Szymanski, N. J. et al.An autonomous laboratory for the accelerated synthesis of novel materials.自然 624, 86–91 (2023).

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  201. Cheetham, A. K. & Seshadri, R. Artificial intelligence driving materials discovery?Perspective on the article: scaling deep learning for materials discovery.化学母校。 36, 3490–3495 (2024).

    CAS一个 PubMed一个 PubMed Central一个 Google Scholar一个 

  202. Leeman, J. Challenges in high-throughput inorganic materials prediction and autonomous synthesis.PRX Energy 3, 011002 (2024).

    Google Scholar一个 

  203. Chen, X., Singh, M. M. & Geyer, P. Utilizing domain knowledge: robust machine learning for building energy performance prediction with small, inconsistent datasets.Knowl.-Based Syst. 294, 111774 (2024).

    Google Scholar一个 

  204. Murdock, R. J., Kauwe, S. K., Wang, A. Y.-T.& Sparks, T. D. Is domain knowledge necessary for machine learning materials properties?集成。母校。制造。Innov. 9, 221–227 (2020).

    Google Scholar一个 

  205. Wang, L., He, T. & Ouyang, B. The impact of domain knowledge on universal machine learning models.Preprint athttps://doi.org/10.26434/chemrxiv-2024-fmq8p（2024）。

  206. Veeramani, M., Doss, S. S., Narasimhan, S. & Bhatt, N. Semi-supervised machine learning approach for reaction stoichiometry and kinetic model identification using spectral data from flow reactors.反应。化学工程。 9, 355–368 (2024).

    CAS一个 Google Scholar一个 

  207. Kunz, M. R. et al.Data driven reaction mechanism estimation via transient kinetics and machine learning.化学工程。J. 420, 129610 (2021).

    CAS一个 Google Scholar一个 

  208. Kollenz, P., Herten, D.-P.& Buckup, T. Unravelling the kinetic model of photochemical reactions via deep learning.J. Phys。化学b 124, 6358–6368 (2020).

    CAS一个 PubMed一个 Google Scholar一个 

  209. Esterhuizen, J. A., Goldsmith, B. R. & Linic, S. Interpretable machine learning for knowledge generation in heterogeneous catalysis.纳特。Catal. 5, 175–184 (2022).

    Google Scholar一个 

  210. Xin, H., Mou, T., Pillai, H. S., Wang, S.-H.& Huang, Y. Interpretable machine learning for catalytic materials design toward sustainability.ACC。母校。res。 5, 22–34 (2024).

    CAS一个 Google Scholar一个 

  211. Fare, C., Fenner, P., Benatan, M., Varsi, A. & Pyzer-Knapp, E. O. A multi-fidelity machine learning approach to high throughput materials screening.npj Comput.母校。 8, 257 (2022).

    Google Scholar一个 

  212. Goodlett, S. M., Turney, J. M. & Schaefer, H. F. III Comparison of multifidelity machine learning models for potential energy surfaces.J. Chem。物理。 159, 044111 (2023).

    CAS一个 PubMed一个 Google Scholar一个 

  213. Liu, X., De Breuck, P.-P., Wang, L. & Rignanese, G.-M.A simple denoising approach to exploit multi-fidelity data for machine learning materials properties.npj Comput.母校。 8, 233 (2022).

    Google Scholar一个 

  214. Artrith, N. et al.Best practices in machine learning for chemistry.纳特。化学 13, 505–508 (2021).

    CAS一个 PubMed一个 Google Scholar一个 

下载参考

关于《通过实验和计算数据开发用于异质催化的机器学习》的评论

暂无评论

发表评论



摘要

提供的参考清单包括各种文章和论文，重点介绍了人工智能，机器学习和数据驱动方法在材料科学和化学工程中的应用。以下是从这些参考文献中得出的一些关键见解：###关键主题1。**催化的机器学习：** - 诸如“异质催化中知识产生的可解释的机器学习”（Esterhuizen等，2022）的文章强调使用机器学习来理解和预测催化过程。 - 采用钢筋学习等技术来发现新的催化反应机制，如“使用第一原则的深钢筋学习发现催化反应网络”（Lan＆An，2021）。2。**自动实验室系统：** - Szymanski等人（2023年）的论文讨论了加速材料合成和探索的自主实验室。 - 自动化技术还适用于在“通过机器人技能学习来加速实验室自动化来进行样品刮擦”中所述的高通量筛选中的样品刮擦（Pizzuto等，2024）。3。**高通量筛选：** - 类似组合库和虚拟筛选之类的方法，包括Farrusseng等人（2005年）的作品，包括基于QSAR模型的材料设计的示例。 - 高通量筛选通常与机器学习结合在一起，以预测合成之前的材料特性。4。**域知识与机器学习：** - 诸如“机器学习材料属性所需的领域知识？”之类的论文？（Murdock等，2020）探讨领域专业知识在开发有效模型中的作用和必要性。 - 将域知识纳入模型鲁棒性的影响是一个反复出现的主题，如Chen等人所示。（2024）。5。**材料发现：** - 机器学习技术用于加速材料发现，例如通过Mamun等人（2020）的深度学习方法来预测双金属合金催化剂的吸附能。 - 新材料家族（如高凝集钙钛矿）的高通量合成和表征是最近研究的重点。6。**反应动力学和机制：** - 如Veeramani等人（2024）所述，使用机器学习来预测光谱数据中的反应动力学和机制。 - 在Kollenz等人中还探索了用于预测瞬时动力学行为和通过深度学习的光化学反应的技术。（2020）。###技术进步1。**软件和库：** - 提到Pytorch和Julia是实施机器学习模型的关键工具。 - XGBoost用于可扩展的树木增强系统，从而提高了预测分析的效率。2。**数据处理和建模技术：** - 在Fare等人（2022年）等研究中探索了处理不同质量和准确性数据的多保真建模技术。 - 描述了增强多保真数据集的实用性的denoisis方法，例如Liu等人。（2022）。###更广泛的上下文1。**观点和评论：** - 文章提供了有关AI驱动材料科学的广泛含义和潜在影响的见解。 - 关于无机材料的高通量预测和合成中挑战的讨论突出显示了进一步研究的领域。总体而言，这些参考文献共同说明了利用机器学习的快速发展，以加速催化，材料科学和化学工程中的发现和优化过程。自动化，领域知识和复杂建模技术的整合对于克服这些领域的传统障碍越来越重要。

相关新闻

相关讨论