Nature Communications：可解释描述符辅助机器学习催化剂设计

低成本、高效率的催化剂高通量筛选，对未来可再生能源技术具有重要意义。可解释机器学习能够提取物理意义、加速催化剂设计，但仍面临挑战。

我们提出一种仅使用容易获取的内禀性质的可解释描述符模型，用于统一预测多种电催化反应的活性与选择性，包括 O₂、CO₂、N₂ 还原及析氧反应。相关研究以双原子位点为对象，建立了跨反应的描述符设计方法。