机器学习当前已经被广泛地应用于材料领域，可以用于构效关系的发现，从而加速材料设计，缩短材料研发周期。符号回归是一种可解释的机器学习方法，能够提供目标函数和自变量特征参数之间具体的数学表达式，为材料设计提供直接指导，但在材料科学领域的应用目前却很少。描述符在催化剂的研究中扮演着重要角色。过去10年来，人们针对氧化物钙钛矿的析氧反应活性，提出了诸多描述符。然而，这些传统描述符都需要密度泛函理论的计算。而密度泛函理论计算耗时耗力，还存在较大误差。因此，传统的描述符并不利于大规模材料设计与筛选。

有鉴于此，苏州大学尹万健教授和美国托莱多大学鄢炎发教授等人，利用符号回归确定了一个简易的描述子μ/t，用于描述氧化物钙钛矿催化剂的催化活性。

本文要点

1）首先合成了18种已知的氧化物钙钛矿催化剂，以产生具有一致性和可比较的OER活性数据集，然后采用符号回归方法寻找构效表达式，再在这些表达式中选择一个简易且准确性高的描述子μ/t，其中μ和t分别是八面体因子和容忍因子。

2）该描述子只是离子半径的函数，简易明了，不需要密度泛函理论(DFT)计算，却可以定量描述OER催化活性。

3）这个简易描述子使得可以快速发现一系列新型、高催化活性的氧化物钙钛矿催化剂。作为验证，成功地合成了5种氧化物钙钛矿，其中4种（Cs_0.4La_0.6Mn_0.25Co_0.75O₃，Cs_0.3La_0.7NiO₃，SrNi_0.75Co_0.25O₃和Sr_0.25Ba_0.75NiO₃）催化活性超过了典型的氧化物钙钛矿催化剂BSCF。

总之，该工作表明符号回归是一种强大的机器学习技术，可以发现具有物理意义的描述符，为设计开发高性能催化剂提供了一个新的方向。

参考文献：

Weng, B., Song, Z., Zhu, R. et al. Simple descriptor derived from symbolic regression accelerating the discovery of new perovskite catalysts. Nat Commun 11, 3513 (2020).

DOI: 10.1038/s41467-020-17263-9

https://doi.org/10.1038/s41467-020-17263-9