高效机器学习预测陶瓷燃料电池氧还原电极
2022年11月
陶瓷燃料电池是极具应用前景的清洁发电装置，要物尽其用并发展成高效稳定的绿色能源技术，当中关键是为其筛选发展高效耐用的阴极材料。不过，传统测试採用的常规试错流程，进行材料开发费时且昂贵，也难以找寻到真正优良的材料。
高效开发氧还原电极
最近，香港理工大学建筑与房地产学系的倪萌教授团队，和深圳大学谢和平院士及南京工业大学邵宗平教授合作，在国际顶级学术期刊《自然-能源》（Nature Energy）发表题为「结合路易士酸描述符和机器学习预测陶瓷燃料电池的氧还原电极」（A combined ionic Lewis acid descriptor and machine-learning approach to prediction of efficient oxygen reduction electrodes for ceramic fuel cells）的研究论文。作者设计出一种实验验证的机器学习驱动方法，以加速开发高效的氧还原电极，其中离子Lewis酸强度(ISA)作为钙钛矿氧化物氧还原反应活性的物理描述符。
促进绿色发电技术
该研究採用了机器学习，原子尺度计算和实验研究相结合的方法，开发了一个经过实验验证的阴极材料机器学习筛选技术，能够从超过6000种可能的材料成分中，筛选出适用于陶瓷燃料电池的材料，并进行了详细分析和测试，获得了优异的燃料电池性能和稳定性。
该项研究使用机器学习辅助材料筛选和设计，加快陶瓷燃料电池的开发，为实现绿色电力、碳中和目标开闢了新途径。
论文的第一作者是博士研究生翟朔，由倪萌教授和谢和平院士联合指导。邵宗平教授亦参与指导了该项研究。
