一元到三元金属氧化物的催化性质已经得到了很好的实验探索，而剩下的空间似乎只有高熵金属氧化物（HEOs，元素类型≥5）。 然而，无数的元素组成使得通过试错方法发现HEO催化剂几乎不可能。

基于此，2024年10月27日，宁夏大学张鹏飞教授在国际期刊Journal of the American Chemical Society发表题为《Machine Learning Accelerated Discovery of Entropy-Stabilized Oxide Catalysts for Catalytic Oxidation》的研究论文。在这里，研究人员基于对ACr2Ox催化剂系统的晶相和催化性能的研究，通过相应的高精度机器学习模型（交叉验证分数> 0.7）获得的相似元素重要性序列，推断出单一尖晶石相与CH4氧化的良好催化活性之间的强相关性。

此外，搜索负面数据并选择适当的训练数据，可以得到高质量的回归模型来寻找更好的催化剂。 最后，筛选出的不规则催化剂Ni0.04Co0.48Zn0.36V0.12Cr2Ox具有出色的抗硫和抗湿性能以及长期稳定性（>7000小时，T90=345℃），这预示了应用机器学习方法发现目标过程中的高熵金属氧化物的潜力。

图文解读

文献信息

Machine Learning Accelerated Discovery of Entropy-Stabilized Oxide Catalysts for Catalytic Oxidation, Journal of the American Chemical Society, 2024. https://doi.org/10.1021/jacs.4c12838