搜索结构组分合适的多金属（二元或多元）合金催化剂是催化研究中的一个关键问题。由于传统机器学习模型需要穷举大量数据，而且需要进行价格非常高的实验尝试。

有鉴于此，首尔国立大学Won Bo Lee、韩国国民大学YongJoo Kim、韩国科学技术院（KAIST）Hee-Tae Jung等报道通过实验和动态学习结合，克服了传统方法的局限，能够高效率的搜索结构和组分实现优化的多金属合金催化剂。

本文要点：

（1）

在这种方法中，发展的动态学习模型能够通过实验制备的固体纳米粒子HER电催化活性进行迭代优化催化剂组分。

（2）

优化的催化剂组分为Pt_0.65Ru_0.30Ni_0.05，过电势仅为54.2 mV，性能比Pt催化剂的活性更好。这种结果说明通过使用原料混合组分作为唯一的数据建立学习模型，实现了搜索具有合适结构和组分的催化剂，能够改善过电势。

参考文献

Minki Kim, Min Young Ha, Woo-Bin Jung, Jeesoo Yoon, Euichul Shin, Il-doo Kim, Won Bo Lee, YongJoo Kim, Hee-tae Jung, Searching for an Optimal Multi-metallic Alloy Catalyst by Active Learning Combined with Experiments, Adv. Mater. 2022, 2108900

DOI: 10.1002/adma.202108900

https://onlinelibrary.wiley.com/doi/abs/10.1002/adma.202108900