燃料电池作为一种清洁能源转换装置，其核心部件——催化剂的研究一直备受关注。如何提高铂的利用率和催化剂的寿命，成为行业内的难题。此次，该科研团队采用高效的机器学习策略，成功设计出新型高熵金属间化合物催化剂（Pt(FeCoNiCu)3）。
研究亮点如下：
1. 创新性地运用晶体图卷积神经网络，加速多组分设计，大大提高预测准确性。
2. 通过第一性原理计算生成的数据集，模型预测表面应变和形成能量的平均绝对误差分别达到0.003和0.011 eV/atom。
3. 发现原子尺寸差异和混合焓两个化学特征，作为新型描述符，为探索先进ORR催化剂提供了新思路。
4. 采用冷冻干燥-退火技术成功合成碳支撑的Pt(FeCoNiCu)3催化剂，具有超高的质量活性（4.09 A mgPt-1）和特定活性（7.92 mA cm-2）。
5. 该催化剂在电化学稳定性方面表现优异，归功于高熵金属间化合物结构中的缓慢扩散效应。
通讯作者：
Ye Zhu是香港理工大学应用物理系的助理教授，毕业于清华大学和威斯康星大学麦迪逊分校。他的研究专注于显微镜和光谱技术在新兴材料上的应用，已发表超过120篇论文，H指数为31。
Zhen Zhou，南开大学的化学教授，专业领域为新能源材料化学。周震教授在1999年获得南开大学理学博士学位，并在日本名古屋大学进行了博士后研究。他的研究主要集中在纳米结构与新能源材料的设计，发表了300余篇论文，h指数81。
Zhiming Cui教授是华南理工大学化学与化工学院的教授及博士生导师，主要研究电催化剂和金属间化合物。
原文链接：
https://doi.org/10.1002/anie.202411123
