【摘要】 详解 AM 下篇深度神经网络筛选 L1₂型五元 Pt 基高熵金属间化合物流程，包含微观构型统计与电化学验证，科学指南针可提供催化文献咨询。

科研人必备干货｜全套科研知识库

常用科研资料汇总，点击领取即可获取。

 

深度神经网络结合微观结构统计方法可量化高熵合金海量原子排布的氢吸附特征，用于多组分电催化材料的候选筛选；科学指南针可围绕催化机器学习方向梳理文献内容，具体计算服务适配情况需结合项目确认。

 

机器学习辅助 L1₂型 Pt 高熵金属间化合物析氢催化剂设计

一、高熵金属间化合物催化研发现存难点

L1₂型五元 Pt 基高熵金属间化合物组分复杂，每种化学配比对应大量原子排布微观状态，由于组分和微观构型复杂，材料结构与催化性能之间的关系较难直接判断，难以客观评估材料整体催化潜力。原研究搭建数据驱动深度学习框架，用于析氢反应 HER 活性评估。

二、机器学习筛选完整流程

2.1 数据集构建与模型训练

研究选取 Cr、Mn、Fe、Co、Ni、Zn 六种 3d 金属任意四种搭配 Pt，设计 15 种 Pm-3m 空间群组分；使用 453 组计算数据训练深度神经网络，对每种组分下约 20000 种微观结构的氢吸附能 ΔE_H * 完成预测。

2.2 新型统计评价方法判断催化潜力

研究未仅依靠平均氢吸附能作为评价标准，而是统计每种材料中氢吸附能落入适配区间的微观结构数量，以此反映高活性位点分布情况，完成多组分材料横向对比。

2.3 元素局域作用机制分析

经数据挖掘得到元素作用规律：表层 Co、Cr、Fe 影响 Pt-Pt-M 三原子位点电子结构与氢吸附行为；次表层 Ni、Co 调控 Pt-Pt-Pt 位点相互作用，两类元素共同影响材料催化表现。

 

三、实验验证结果

原研究报道 Pt₃(CrMnFeCo) 在全部候选组分中催化潜力表现突出，电化学测试记录该材料在不同 pH 环境下的析氢反应性能。

 

四、该催化研究的科研参考意义

这套 “机器学习批量预测 + 微观位点统计 + 电化学实验验证” 流程，可为其他多组分高熵催化材料研究提供参考，具体适用性仍需验证。科学指南针可协助拆解该论文算法逻辑、梳理催化计算实验设计思路，具体模拟相关工作适配范围需按项目评估。

 

【FAQ 问答】

1.研究中高熵金属间化合物空间群是什么？ 答：Pm-3m 空间群。

2.训练深度神经网络使用多少组计算数据？ 答：原研究报道采用 453 组计算数据完成模型训练。

3.筛选得出的最优析氢催化材料是哪种？ 答：Pt₃(CrMnFeCo)。

4.统计评价方法相比传统平均吸附能有何不同？ 答：统计适配氢吸附能区间的微观结构数量，反映高活性位点整体分布。

5.科学指南针可以梳理催化机器学习研究思路吗？ 答：可开展文献解读与科研思路沟通，具体计算服务适配情况需依据实际项目确认。

6.表层与次表层元素分别调控何种催化位点？ 答：表层调控 Pt-Pt-M 位点，次表层调控 Pt-Pt-Pt 位点。

 

参考文献：

Z. Wang, X. Chen, T. Lin, et al. “ Machine Learning-Guided Design of L12-Type Pt-Based High-Entropy Intermetallic Compound for Electrocatalytic Hydrogen Evolution.”Adv. Mater. 38, no. 4 (2026): e10424. 

原文链接：

https://advanced.onlinelibrary.wiley.com/doi/10.1002/adma.202510424