基于化学注入决策强盗模型的可解释自主电催化析氢催化剂发现

《Nature Communications》：Chemistry-infused bandit framework for interpretable autonomous campaign of electrocatalysis

　　自主实验为加速催化剂发现提供了一条高效路径，但当前的实践往往依赖于难以解释的黑箱模型。在此，我们通过将可解释的决策人工智能与全自动电化学平台相结合，展示了在电催化析氢反应中对12维空间进行可解释自主探索的范式。在人提出的化学启发假设的指导下，我们建立了一个化学注入的强盗模型，以反映合成条件与电催化活性在探索到的最优区域附近的局部二次近似关系。这种决策强盗模型不仅导致了此前未报道的、地壳丰度高的电催化剂的发现，其性能至少与基于铂的催化剂相当；而且随着自主研究的进行，该强盗模型还揭示了由模型推导出的假设，阐明了合成条件如何影响已识别局部最优点附近的电催化剂性能，这是黑箱模型无法实现的。将化学启发假设融入决策强盗模型具有普适性，可应用于任何化学问题，并为自主研究提供了一个框架，推动了超越简单优化的催化剂设计原则假设生成。