多相催化是多种工业过程的基础，包括能源转换、化学制造和环境修复。近日，弗吉尼亚理工大学Xin Hongliang利用机器学习弥补计算多相催化的复杂性差距。

本文要点：

1) 在过去几十年中，在理解活性位点和基本反应步骤的性质方面，计算模型取得了重大进展。然而，理论和实验之间的复杂性差距仍然很大，这主要是由于从头计算模拟的长度和时间限制，从而严重阻碍了高性能催化材料的发展。

2) 作者总结了机器学习的最新发展和应用，以缩小和弥补由反应界面固有动态、机械和化学结构复杂性所造成的差距。作者展望了机器学习在以数据为中心的生态系统中自动设计可持续催化技术的前景和挑战，并且该生态系统需要计算和数据科学的共同参与。

参考电竞投注官网 ：

Tianyou Mou et.al Bridging the complexity gap in computational heterogeneous catalysis with machine learning Nature Catalysis 2023

DOI: 10.1038/s41929-023-00911-w

https://doi.org/10.1038/s41929-023-00911-w