催化剂提炼机器

加速催化剂设计，上海交大贺玉莲课题组基于 AutoML 进行

2024年4月18日  自动机器学习 (AutoML) 引导的知识提取方法 此前，研究人员倾向于使用机器学习 (ML) 方法，特别是可解释的 人工智能 (XAI)，以发现有关催化反应的新见解。 然而，随着化学领域 AI 技术的快速发展，XAI 提供的模型和特定特征解释，可能难以满足化学研究人员所需的清晰度和确定性水平。 因此， 本研究提出了一种替代方案，即自动机器学

机器学习大综述！Nature Catalysis：数据科学加速催化研究

2024年5月21日  近期， 苏黎世联邦理工学院Javier PérezRamírez等人 全面回顾催化研究者如何利用数据驱动策略来解决异相、均相和酶催化的复杂挑战，强调了该领域的前沿以及催化子学科之间的知识迁移，揭示了催化实验在数据探索方面的差距，指出数据科学的四大支柱（描述性、预测性、因果性和规范性分析）能弥补这一差距。 最后，作者提倡在实验中

借力机器学习，实现未来“原子催化剂”快速有效筛选厦门大学

2019年6月12日  研究亮点 提出了量化筛选原子催化剂的有效模型。 筛选出了 Pt,Pd,Co 等有效金属原子催化剂，与实验结果高度吻合。 对借助机器学习针对复杂原子催化剂体系的筛选进行了展望，为未来的原子催化剂发展提供了有利参考。 石墨炔单原子催化剂 由于在电化学催化方面的高效性能，碳基负载的过渡金属原子催化剂做为一种独特的电催化体系

机器学习指导催化剂设计，提高反应的产率 机器之心

2022年5月27日  近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的哪些步骤应该进行调整以提高生产率。该方法可以帮助指导催化剂的设计。

机器学习指导催化剂设计，提高反应的产率腾讯新闻

2022年6月6日  机器学习指导催化剂设计，提高反应的产率 机器之心 12:48 发布于 北京 机器之心官方账号 + 编辑/绿萝 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日

机器学习指导催化剂设计，提高反应的产率 阿里云开发者社区

2023年5月16日  简介： 机器学习指导催化剂设计，提高反应的产率 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的

ChemRev：用于电催化剂和光催化剂设计和发现的机器学习

2022年7月25日  近日，墨尔本皇家理工大学Chen Dehong等发表了评述性论文，提供了用于电催化和光催化研究的机器学习技术，描述了电/光催化剂数据的来源和当前通过数学特征表示这些材料的方法，总结了最常用的机器学习方法，并评估了电/光催化剂模型的质量和效用。

厦大汪骋周达 JACS：利用机器学习发现和优化Cu催化剂

2021年4月16日  近日， 厦门大学汪骋教授和周达副教授（共同通讯作者）等人 报道了在制备用于电化学CO 2 还原（CO 2 RR）的铜（Cu）催化剂过程中，利用ML发现和优化添加剂的过程。 该过程包括三个迭代循环：“实验测试—ML分析—预测和重新设计”。 其中，用

加速催化剂设计，上海交大贺玉莲课题组基于 AutoML 进行

2024年4月18日  自动机器学习 (AutoML) 引导的知识提取方法 此前，研究人员倾向于使用机器学习 (ML) 方法，特别是可解释的 人工智能 (XAI)，以发现有关催化反应的新见解。 然而，随着化学领域 AI 技术的快速发展，XAI 提供的模型和特定特征解释，可能难以满足化学研究人员所需的清晰度和确定性水平。 因此， 本研究提出了一种替代方案，即自动机器学

机器学习大综述！Nature Catalysis：数据科学加速催化研究

2024年5月21日  近期， 苏黎世联邦理工学院Javier PérezRamírez等人 全面回顾催化研究者如何利用数据驱动策略来解决异相、均相和酶催化的复杂挑战，强调了该领域的前沿以及催化子学科之间的知识迁移，揭示了催化实验在数据探索方面的差距，指出数据科学的四大支柱（描述性、预测性、因果性和规范性分析）能弥补这一差距。 最后，作者提倡在实验中

借力机器学习，实现未来“原子催化剂”快速有效筛选厦门大学

2019年6月12日  研究亮点 提出了量化筛选原子催化剂的有效模型。 筛选出了 Pt,Pd,Co 等有效金属原子催化剂，与实验结果高度吻合。 对借助机器学习针对复杂原子催化剂体系的筛选进行了展望，为未来的原子催化剂发展提供了有利参考。 石墨炔单原子催化剂 由于在电化学催化方面的高效性能，碳基负载的过渡金属原子催化剂做为一种独特的电催化体系

机器学习指导催化剂设计，提高反应的产率 机器之心

2022年5月27日  近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的哪些步骤应该进行调整以提高生产率。该方法可以帮助指导催化剂的设计。

机器学习指导催化剂设计，提高反应的产率腾讯新闻

2022年6月6日  机器学习指导催化剂设计，提高反应的产率 机器之心 12:48 发布于 北京 机器之心官方账号 + 编辑/绿萝 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日

机器学习指导催化剂设计，提高反应的产率 阿里云开发者社区

2023年5月16日  简介： 机器学习指导催化剂设计，提高反应的产率 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的

ChemRev：用于电催化剂和光催化剂设计和发现的机器学习

2022年7月25日  近日，墨尔本皇家理工大学Chen Dehong等发表了评述性论文，提供了用于电催化和光催化研究的机器学习技术，描述了电/光催化剂数据的来源和当前通过数学特征表示这些材料的方法，总结了最常用的机器学习方法，并评估了电/光催化剂模型的质量和效用。

厦大汪骋周达 JACS：利用机器学习发现和优化Cu催化剂

2021年4月16日  近日， 厦门大学汪骋教授和周达副教授（共同通讯作者）等人 报道了在制备用于电化学CO 2 还原（CO 2 RR）的铜（Cu）催化剂过程中，利用ML发现和优化添加剂的过程。 该过程包括三个迭代循环：“实验测试—ML分析—预测和重新设计”。 其中，用

加速催化剂设计，上海交大贺玉莲课题组基于 AutoML 进行

2024年4月18日  自动机器学习 (AutoML) 引导的知识提取方法 此前，研究人员倾向于使用机器学习 (ML) 方法，特别是可解释的 人工智能 (XAI)，以发现有关催化反应的新见解。 然而，随着化学领域 AI 技术的快速发展，XAI 提供的模型和特定特征解释，可能难以满足化学研究人员所需的清晰度和确定性水平。 因此， 本研究提出了一种替代方案，即自动机器学

机器学习大综述！Nature Catalysis：数据科学加速催化研究

2024年5月21日  近期， 苏黎世联邦理工学院Javier PérezRamírez等人 全面回顾催化研究者如何利用数据驱动策略来解决异相、均相和酶催化的复杂挑战，强调了该领域的前沿以及催化子学科之间的知识迁移，揭示了催化实验在数据探索方面的差距，指出数据科学的四大支柱（描述性、预测性、因果性和规范性分析）能弥补这一差距。 最后，作者提倡在实验中

借力机器学习，实现未来“原子催化剂”快速有效筛选厦门大学

2019年6月12日  研究亮点 提出了量化筛选原子催化剂的有效模型。 筛选出了 Pt,Pd,Co 等有效金属原子催化剂，与实验结果高度吻合。 对借助机器学习针对复杂原子催化剂体系的筛选进行了展望，为未来的原子催化剂发展提供了有利参考。 石墨炔单原子催化剂 由于在电化学催化方面的高效性能，碳基负载的过渡金属原子催化剂做为一种独特的电催化体系

机器学习指导催化剂设计，提高反应的产率 机器之心

2022年5月27日  近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的哪些步骤应该进行调整以提高生产率。该方法可以帮助指导催化剂的设计。

机器学习指导催化剂设计，提高反应的产率腾讯新闻

2022年6月6日  机器学习指导催化剂设计，提高反应的产率 机器之心 12:48 发布于 北京 机器之心官方账号 + 编辑/绿萝 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日

机器学习指导催化剂设计，提高反应的产率 阿里云开发者社区

2023年5月16日  简介： 机器学习指导催化剂设计，提高反应的产率 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的

ChemRev：用于电催化剂和光催化剂设计和发现的机器学习

2022年7月25日  近日，墨尔本皇家理工大学Chen Dehong等发表了评述性论文，提供了用于电催化和光催化研究的机器学习技术，描述了电/光催化剂数据的来源和当前通过数学特征表示这些材料的方法，总结了最常用的机器学习方法，并评估了电/光催化剂模型的质量和效用。

厦大汪骋周达 JACS：利用机器学习发现和优化Cu催化剂

2021年4月16日  近日， 厦门大学汪骋教授和周达副教授（共同通讯作者）等人 报道了在制备用于电化学CO 2 还原（CO 2 RR）的铜（Cu）催化剂过程中，利用ML发现和优化添加剂的过程。 该过程包括三个迭代循环：“实验测试—ML分析—预测和重新设计”。 其中，用

加速催化剂设计，上海交大贺玉莲课题组基于 AutoML 进行

2024年4月18日  自动机器学习 (AutoML) 引导的知识提取方法 此前，研究人员倾向于使用机器学习 (ML) 方法，特别是可解释的 人工智能 (XAI)，以发现有关催化反应的新见解。 然而，随着化学领域 AI 技术的快速发展，XAI 提供的模型和特定特征解释，可能难以满足化学研究人员所需的清晰度和确定性水平。 因此， 本研究提出了一种替代方案，即自动机器学

机器学习大综述！Nature Catalysis：数据科学加速催化研究

2024年5月21日  近期， 苏黎世联邦理工学院Javier PérezRamírez等人 全面回顾催化研究者如何利用数据驱动策略来解决异相、均相和酶催化的复杂挑战，强调了该领域的前沿以及催化子学科之间的知识迁移，揭示了催化实验在数据探索方面的差距，指出数据科学的四大支柱（描述性、预测性、因果性和规范性分析）能弥补这一差距。 最后，作者提倡在实验中

借力机器学习，实现未来“原子催化剂”快速有效筛选厦门大学

2019年6月12日  研究亮点 提出了量化筛选原子催化剂的有效模型。 筛选出了 Pt,Pd,Co 等有效金属原子催化剂，与实验结果高度吻合。 对借助机器学习针对复杂原子催化剂体系的筛选进行了展望，为未来的原子催化剂发展提供了有利参考。 石墨炔单原子催化剂 由于在电化学催化方面的高效性能，碳基负载的过渡金属原子催化剂做为一种独特的电催化体系

机器学习指导催化剂设计，提高反应的产率 机器之心

2022年5月27日  近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的哪些步骤应该进行调整以提高生产率。该方法可以帮助指导催化剂的设计。

机器学习指导催化剂设计，提高反应的产率腾讯新闻

2022年6月6日  机器学习指导催化剂设计，提高反应的产率 机器之心 12:48 发布于 北京 机器之心官方账号 + 编辑/绿萝 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日

机器学习指导催化剂设计，提高反应的产率 阿里云开发者社区

2023年5月16日  简介： 机器学习指导催化剂设计，提高反应的产率 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的

ChemRev：用于电催化剂和光催化剂设计和发现的机器学习

2022年7月25日  近日，墨尔本皇家理工大学Chen Dehong等发表了评述性论文，提供了用于电催化和光催化研究的机器学习技术，描述了电/光催化剂数据的来源和当前通过数学特征表示这些材料的方法，总结了最常用的机器学习方法，并评估了电/光催化剂模型的质量和效用。

厦大汪骋周达 JACS：利用机器学习发现和优化Cu催化剂

2021年4月16日  近日， 厦门大学汪骋教授和周达副教授（共同通讯作者）等人 报道了在制备用于电化学CO 2 还原（CO 2 RR）的铜（Cu）催化剂过程中，利用ML发现和优化添加剂的过程。 该过程包括三个迭代循环：“实验测试—ML分析—预测和重新设计”。 其中，用

加速催化剂设计，上海交大贺玉莲课题组基于 AutoML 进行

2024年4月18日  自动机器学习 (AutoML) 引导的知识提取方法 此前，研究人员倾向于使用机器学习 (ML) 方法，特别是可解释的 人工智能 (XAI)，以发现有关催化反应的新见解。 然而，随着化学领域 AI 技术的快速发展，XAI 提供的模型和特定特征解释，可能难以满足化学研究人员所需的清晰度和确定性水平。 因此， 本研究提出了一种替代方案，即自动机器学

机器学习大综述！Nature Catalysis：数据科学加速催化研究

2024年5月21日  近期， 苏黎世联邦理工学院Javier PérezRamírez等人 全面回顾催化研究者如何利用数据驱动策略来解决异相、均相和酶催化的复杂挑战，强调了该领域的前沿以及催化子学科之间的知识迁移，揭示了催化实验在数据探索方面的差距，指出数据科学的四大支柱（描述性、预测性、因果性和规范性分析）能弥补这一差距。 最后，作者提倡在实验中

借力机器学习，实现未来“原子催化剂”快速有效筛选厦门大学

2019年6月12日  研究亮点 提出了量化筛选原子催化剂的有效模型。 筛选出了 Pt,Pd,Co 等有效金属原子催化剂，与实验结果高度吻合。 对借助机器学习针对复杂原子催化剂体系的筛选进行了展望，为未来的原子催化剂发展提供了有利参考。 石墨炔单原子催化剂 由于在电化学催化方面的高效性能，碳基负载的过渡金属原子催化剂做为一种独特的电催化体系

机器学习指导催化剂设计，提高反应的产率 机器之心

2022年5月27日  近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的哪些步骤应该进行调整以提高生产率。该方法可以帮助指导催化剂的设计。

机器学习指导催化剂设计，提高反应的产率腾讯新闻

2022年6月6日  机器学习指导催化剂设计，提高反应的产率 机器之心 12:48 发布于 北京 机器之心官方账号 + 编辑/绿萝 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日

机器学习指导催化剂设计，提高反应的产率 阿里云开发者社区

2023年5月16日  简介： 机器学习指导催化剂设计，提高反应的产率 准确识别催化活性的描述符对深入理解催化作用，以及为催化剂筛选奠定基础至关重要。 然而，常用方法的可预测性和准确性低。 近日，美国纽约州立大学石溪分校（SUNY SB）和布鲁克海文国家实验室（BNL）的化学家开发了一种新的机器学习 (ML) 框架，该框架可以锁定多步化学转化的

ChemRev：用于电催化剂和光催化剂设计和发现的机器学习

2022年7月25日  近日，墨尔本皇家理工大学Chen Dehong等发表了评述性论文，提供了用于电催化和光催化研究的机器学习技术，描述了电/光催化剂数据的来源和当前通过数学特征表示这些材料的方法，总结了最常用的机器学习方法，并评估了电/光催化剂模型的质量和效用。

厦大汪骋周达 JACS：利用机器学习发现和优化Cu催化剂

2021年4月16日  近日， 厦门大学汪骋教授和周达副教授（共同通讯作者）等人 报道了在制备用于电化学CO 2 还原（CO 2 RR）的铜（Cu）催化剂过程中，利用ML发现和优化添加剂的过程。 该过程包括三个迭代循环：“实验测试—ML分析—预测和重新设计”。 其中，用