摘要
光催化废水处理是一项降解持久性有机污染物的有前途的技术；然而，其优化仍然具有挑战性，因为光催化性能取决于催化剂性能、操作条件和废水成分之间的复杂相互作用。机器学习（ML）已成为加速催化剂开发、预测光催化性能和优化工艺参数的有力工具。本综述批判性地分析了近期关于机器学习辅助光催化废水处理的研究，涵盖了用于预测降解效率、反应动力学和催化剂性能的监督学习、集成学习、深度学习和混合优化方法。该综述不仅仅是总结现有研究，还比较了不同机器学习模型的优势、局限性和适用性，同时评估了数据集质量、特征工程和验证策略对预测可靠性的影响。可解释人工智能、物理信息机器学习、数字孪生和自主催化剂发现的新兴发展也得到了讨论。当前面临的挑战，包括数据集有限、数据异质性、模型过拟合、缺乏标准化基准以及对真实废水系统的可转移性差，也受到了批判性审视。最后，提出了强调标准化数据集、可解释人工智能、严格的模型验证和智能催化剂设计的未来展望。本综述为将人工智能与光催化相结合提供了一条实用路线图，以加速可靠和可持续废水处理技术的开发。
