近期，多项发表在顶尖学术期刊上的研究成果展示了人工智能（AI）和机器学习（ML）在化学和材料科学领域取得的重大进展。这些研究不仅揭示了复杂系统的新规律，还为新材料的发现和性能优化提供了高效途径。本文将简要介绍这些研究的主要内容。
【研究一】机器学习加速高熵氧化物催化剂发现
发表在《美国化学会志》（JACS）上的这项研究，利用机器学习方法加速了高熵氧化物（HEO）催化剂的发现。研究人员通过分析 ACr2Ox 催化剂体系的晶体结构和催化性能数据，建立了高精度的机器学习模型，并发现单尖晶石相与良好的 CH4 氧化催化活性之间存在强关联。该方法成功筛选出了一种具有优异的硫和水分耐受性以及长期稳定性的新型 HEO 催化剂，展现了机器学习在催化剂设计中的潜力。
【研究二】机器学习光谱定量解析电场对二氧化碳电催化的影响
同样发表在《美国化学会志》（JACS）上的另一项研究，利用机器学习光谱学方法定量分析了电场对二氧化碳（CO2）电催化的影响。研究人员通过密度泛函理论（DFT）计算，模拟了不同电场条件下 CO2 在金属掺杂石墨氮化碳（g-C3N4）催化剂表面的吸附行为，并利用机器学习模型建立了红外/拉曼光谱描述符与吸附能量/电荷转移之间的关系。此外，该模型还可以反向预测光谱数据对应的电场强度，为调控电催化反应提供了一种新的途径。
【研究三】高通量计算绘制钴化学空间中的最大磁各向异性区域
第三项研究同样发表在《美国化学会志》（JACS），通过高通量计算绘制了钴（II）配合物的化学空间，寻找具有最大磁各向异性的单分子磁体。研究人员自动组装了约 15000 种新的钴配合物，并通过多参考从头算方法对其进行了全面表征。该研究不仅发现了一百多种磁各向异性可与现有领先化合物媲美甚至更大的化合物，还揭示了通过高配位数和非传统几何结构获得高磁各向异性的新设计规则。
【研究四】溶剂化环境中富勒烯及其单层网络的电子-核动力学
发表于《美国化学会志》（JACS）的最后一项研究，运用了一种新的 Ehrenfest 动力学方法，模拟了溶剂化环境中富勒烯（C60）及其准六边形单层网络（qHP-C60）的电子-核动力学。该研究首次对水/水分存在下 qHP-C60 的电子-核动力学进行了实时的模拟，揭示了水分子显著延长了 C60 的电子-空穴复合时间，但对 qHP-C60 的影响较小。这种新方法为理解复杂、溶剂化环境中大型系统的激子态动力学提供了强大的工具。
