目前，合金材料在异相催化领域展示了广泛的应用前景，合金材料通过改变原子组分和结构，能够生成各种各样的催化位点。但是目前通过传统实验和理论无法对合金催化剂的结构-性能关系进行很好的说明。

通过机器学习方法能够很好的解决这个问题，机器学习能够轻松的处理大批量数据，同时能够建立多维异相催化剂的物理性质变化规律。在机器学习领域最大的挑战问题是缺乏合适的具有普适性规律的描述符能够用于设计和筛选催化剂。

有鉴于此，吉林大学高旺等综述报道了目前几种常用的机器学习相关模型在研究合金催化剂中的应用，对不同合金体系的反应描述符进行总结和归纳。

本文要点：

（1）

对目前机器学习技术在合金催化剂设计进行介绍，对不同合金催化剂的描述符进行总结讨论。

（2）

本文工作能够提高异相催化剂的理解和认识，特别强调了设计普适性描述符的重要性。此外，对目前机器学习发展异相催化剂描述符的进展进行总结。

参考文献

Ze Yang, Wang Gao, Applications of Machine Learning in Alloy Catalysts: Rational Selection and Future Development of Descriptors, Adv. Sci. 2022, 2106043

DOI: 10.1002/advs.202106043

https://onlinelibrary.wiley.com/doi/full/10.1002/advs.202106043