近日，材料基因组工程研究院欧阳润海课题组与王元庆课题组合作，在机器学习方法开发及高活性OER催化材料的研究取得重要进展，研究成果发表在国际著名杂志《Journal of the American Chemical Society》。文章链接：https://pubs.acs.org/doi/abs/10.1021/jacs.3c03493。该项目得到了国家自然科学基金面上项目《机器学习新方法开发及其在钙钛矿电催化材料研究中的应用》(批准号：22173058)的资助。欧阳润海与王元庆为共同通讯，硕士研究生王径舟（已毕业）与谢华超为共同一作，上海大学为第一单位。
材料和化学领域存在很多文献实验数据，但这些数据常常因为来自不同课题组（或不同方法）而不能被相互融合使用，导致很多数据分析局限于各自课题组小数据集。这些数据被称为非自洽多源数据。如何充分利用大量非自洽多源数据并从中找出鲁棒的“材料基因”是该领域要解决的重要课题。以寻找高活性钙钛矿析氧反应（OER）催化材料为案例，该工作先收集了文献中过去几十年的OER活性多源实验数据集，然后设计了处理非自洽多源数据的符号限制多任务学习新方法SCMT-SISSO，并通过系统的符号回归研究找出了决定钙钛矿材料OER催化活性的准确描述符(dB, nB)，其中dB为钙钛矿氧化物B位离子化学计量比名义d电子数，nB为名义氧化态。
该OER活性描述符具有很好的预测能力及可解释性，对于理解钙钛矿材料的OER催化机理有重要意义。同时，该描述符只包含原子参数，可用于快速材料筛选。考虑36000种AxA’1-xByB’1-yO3潜在钙钛矿氧化物，经过高通量筛选得到了八百多种结构稳定的高活性候选OER催化材料（如下图绿色方块）。这些结果为实验上设计高活性的OER催化材料提供了重要参考，加速新材料的发现。
该工作对30个代表性的候选材料进行了实验合成，结果发现26个材料具备钙钛矿结构。再对其中5个代表性的钙钛矿进行OER活性测试，结果发现有3个材料SrCo0.6Ni0.4O3, Rb0.1Sr0.9Co0.7Fe0.3O3, 和 Cs0.1Sr0.9Co0.4Fe0.6O3的活性比已知高活性材料Ba0.5Sr0.5Co0.8Fe0.2O3 (BSCF) 的活性更高，其余2个活性也与BSCF相当。这些实验结果证实了描述符的预测能力。该工作为处理非自洽多源实验数据提供了一套有效的方法，在数据驱动科学领域处理具有重要应用潜力。
