2026-04-10
【學術亮點】基於機器學習的高熵FeCoCrMnCu層狀雙氫氧化物設計及其在鹼性介質中高效析氧性能
字體大小
小
中
大
Agentic AI: Driven Intelligent, High-Efficiency Off-Grid Greenhouse Platform
【Department of Chemical Engineering /Chih-Ming Chen/ Professor】
智慧溫室：行動AI驅動之智慧高效離網溫室平台【化工系陳志銘教授】
上架日期2026-02-02
【Department of Chemical Engineering /Chih-Ming Chen/ Professor】
智慧溫室：行動AI驅動之智慧高效離網溫室平台【化工系陳志銘教授】
| 論文篇名 | 英文：Machine Learning-Guided Design of High-Entropy FeCoCrMnCu Layered Double Hydroxides for Efficient Oxygen Evolution in Alkaline Media 中文：基於機器學習的高熵FeCoCrMnCu層狀雙氫氧化物設計及其在鹼性介質中高效析氧性能 |
| 期刊名稱 | ACS Catalysis |
| 發表年份, 卷數, 起迄頁數 | 2026,16(5), 4502–4515 |
| 作者 | Chandrasekaran Pitchai, Chao-Fang Huang, Ting-Yu Lo, Hung-Chung Li (李宏中)*, Ming-Der Yang (楊明德)*, Chih-Ming Chen (陳志銘)* |
| DOI | 10.1021/acscatal.5c07303 |
| 中文摘要 | 高效能析氧反應(OER)催化劑的發現，常因高熵材料龐大的成分組合空間而受阻，使得傳統的試錯法既耗時又耗費資源。在本研究中，我們展示了一種機器學習(ML)引導策略，用於設計鹼性介質中的高熵 FeCoCrMnCu 層狀雙氫氧化物(LDHs)先進OER催化劑。研究僅使用 70 組成分的實驗數據集來訓練極限梯度提升（XGBoost）回歸模型，即達成極高的預測準確率(R2 = 0.84，RMSE = 9.95 mV)。該模型識別出的最佳成分(Fe0.15Co0.10Cr0.30Mn0.30Cu0.15)預測過電位為261.3 mV，與實驗獲得的270 mV高度吻合（誤差約 3%），此方法有效減少了對超過 10,626 種可能成分進行窮舉測試的需求，節省了99.3%的時間與精力。經ML優化的催化劑展現出優異的形貌、均勻的元素分佈與強大的本徵活性，其塔弗斜率為74.2 mV dec–1、換轉頻率為 (0.225 s–1)，並能穩定運行72小時。本研究突顯了整合機器學習與熵驅動材料設計的力量，能顯著加速次世代電催化劑的開發。 |
| 英文摘要 | The discovery of high-performance oxygen evolution reaction (OER) catalysts is often hindered by the vast compositional space of high-entropy materials, making conventional trial-and-error methods time-consuming and resource-intensive. In this work, we demonstrate a machine learning (ML)-guided strategy for the design of high-entropy FeCoCrMnCu layered double hydroxides (LDHs) as advanced OER catalysts in alkaline media. An experimental data set of only 70 compositions was used to train an Extreme Gradient Boosting (XGBoost) regression model, which achieved high predictive accuracy (R2 = 0.84, RMSE = 9.95 mV). The ML model identified an optimal composition (Fe0.15Co0.10Cr0.30Mn0.30Cu0.15) with a predicted overpotential of 261.3 mV, closely matching the experimentally obtained 270 mV (error∼3%). This approach effectively reduced the need for exhaustive testing of more than 10,626 possible compositions, achieving a 99.3% reduction in time and effort. The ML-optimized catalyst exhibited favorable morphology, homogeneous elemental distribution, and strong intrinsic activity, with a Tafel slope of 74.2 mV dec–1, high turnover frequency (0.225 s–1), and stable operation for 72 h. This study highlights the power of integrating ML with entropy-driven materials design to accelerate the development of next-generation electrocatalysts. |
| 發表成果與AI計畫研究主題相關性 | 本研究的核心成果在於將人工智慧中的機器學習方法導入電催化水分解研究，建立可用於預測與優化電催化劑表現的模型，展現AI在材料開發與實驗設計上的應用價值。研究中利用實驗室累積的 70 筆小型資料集，將五種金屬元素比例作為輸入變數、過電位作為預測目標，並以XGBoost建立模型。此方法能從有限實驗數據中學習金屬組成與OER效能之間的關聯，快速預測催化劑表現，減少傳統反覆試誤所需的時間與成本。 從AI角度來看，本成果的意義不僅在於完成預測，更在於證明機器學習可作為材料研究中的智慧分析工具，協助研究者從數據中找出關鍵變因與趨勢，提升實驗決策效率。尤其XGBoost具備良好的非線性關係擬合能力，適合處理本研究這類資料量有限但變數交互影響複雜的問題，因此能有效支援電催化劑開發。整體而言，本研究成果充分體現AI技術在加速科研、優化材料設計及輔助高效能催化劑篩選上的實際應用潛力。 |
