训练AL模型:首先,使用实验数据训练XGBoost模型f (x)和g(x),分别用于分类(晶体纯度)和回归(催化性能)任务。
预测与选择:在训练后,模型会对尚未实验的样本进行预测。只有那些被纯度分类器f ̂(x)预测概率超过50%的样本才会被考虑。接着,从中选择预测催化性能最好的前五个样本进行实验。
实验与反馈:对选定的五个样本进行合成,并测量其纯度和催化性能。新生成的数据会反馈给代理模型,以便进行下一轮的训练。
微信群(学术交流/电催化/光催化/理论计算/资源共享/文献互助群;C1化学/生物质/单原子/多孔材料分舵),小编微信:hao-xinghua或alicezhaovip,备注“姓名-单位”。