摘要
在过去的几十年里,机器学习在电化学领域得到了越来越多的应用,但特征提取和数据稀缺等问题仍然存在。在这里,我们介绍了一种深度学习工作流程,该流程可以直接从电化学响应中预测氧演化反应(OER)的塔菲尔斜率(Tafel slopes),从而克服了数据稀缺的问题,并能够快速评估电催化剂的性能。通过捕捉复杂的活性-结构关系,这种方法绕过了传统的参数工程、迁移学习和密度泛函理论(DFT)计算,为可持续的水分解电催化剂提供了高效的数据驱动洞察。本研究提出了一种新的应用驱动工作流程,将基于条件变分自编码器(CVAE)的合成数据生成与一维卷积神经网络(1D-CNN)相结合,以预测OER电催化剂的电化学测量结果中的塔菲尔斜率。CVAE和CNN是集成深度学习架构,它们的联合使用增强了稀疏的电化学数据集,验证了合成数据的一致性,并在可持续氢生产的OER动力学背景下实现了准确的塔菲尔斜率预测。CVAE仅使用六个真实样本就展示了生成逼真合成数据的能力,迁移测试确认了合成数据和真实数据之间的一致性(TSTR:
利益冲突
作者声明没有利益冲突。


