MatSemNet：多模态AI驱动的材料语义网络与跨体系催化性能预测

《npj Computational Materials》：A multimodal semantic learning framework for data-driven discovery of nitrate-to-ammonia electrocatalysts

　　

摘要

数据驱动方法正日益推动功能材料的发现；然而，实验条件的异质性以及数据的碎片化特征，特别是当数据嵌入于非结构化科学文献中时，阻碍了通用预测模型的开发。在此，我们提出了一种多模态人工智能（AI）框架——材料语义网络（MatSemNet），该框架通过整合从文献中提取的文本、数值和反应路径信息，学习材料的语义特征。通过构建结构-性能关系的统一表示，MatSemNet 能够跨材料体系实现催化性能的可迁移预测，其表现优于传统的单模态或基于描述符的方法。作为概念验证，我们将 MatSemNet 应用于硝酸盐还原反应（NO₃RR），实现了法拉第效率（FE）的高精度预测，并识别出具有前景的催化剂候选材料。在模型指导下，我们设计并实验验证了稀土（RE）掺杂的 Co₃O₄ 催化剂，在碱性条件下实现了 85.5% 的法拉第效率和 28.3 mg h^?1 cm^?2 的氨产率。机理研究表明，稀土元素的引入可调节电子结构并增强反应选择性。超越这一特定应用，MatSemNet 通过连接异质知识与预测建模，为数据驱动的材料发现提供了一种可扩展且可迁移的范式，并可广泛应用于多种催化和功能材料体系。