國產開源大模型DeepSeek強勢出圈，憑借出色的算力和推理能力、低成本優勢得到全球用戶喜愛，國內各大企業紛紛跟進部署應用，新一輪AI狂潮席卷中國。

科技是第一生產力，“AI + ”賦能之下，人類文明進入新的發展階段。在生物學領域，科學家用 AI 技術進行蛋白質結構設計，創造全新蛋白質。在醫藥領域，AI技術能將藥物發現、臨床前研究時間縮短近40%。在AI技術賦能下，很多行業爆發驚人能力。2024年的諾貝爾獎將AI技術推到了科學舞臺的中央。

當AI與電化學催化劑篩選研究融合在一起，會產生什么樣的火花？一起了解下。

1、AI縮短催化劑研究篩選時間

在綠氫技術研發中，Ru 基 OER 催化劑是一種很有前途的 Ir 替代品。然而，OER 過程中 Ru 原子的過度氧化會導致可溶性 Ru^＞4+ 物質的形成，顯著縮短催化劑的壽命。若按照傳統路徑進行研究，經年下來，青絲早已熬成白頭！

有了AI技術，時間可以大大縮短。國外有科學家應用AI技術快速分析預測2000種金紅石氧化物結構的 Pourbaix 電化學穩定性（ΔGpbx），從而將催化劑候選材料研究縮小到16個。大大提升了研究進度。

在HER研究領域，AI也是大放異彩。基于高熵氧化物 (HEOs)的豐富的活性位點、可調節的比表面積、穩定的晶體結構、獨特的幾何相容性和電子結構等特性，有科學家提出了一種用于發現高熵尖晶石氧化物 (HESOs) 的主動學習框架，展示了其在實驗數據有限情況，用AI技術識別1.4萬個高熵氧化物。

2、AI催化劑篩選應用“3步走”

隨著科技的發展，數據越來越龐大，綜合交叉越來越多，科研需要卓越的數據擬合與處理能力，AI順應了生產力發展的要求。

AI技術需遵循3個流程：數據收集、模型訓練、模型應用。涉及到數據庫建設、催化結構特征選擇與提取、評價反饋與驗證優化等內容。

其實，近現代科技發展規律也是“三步走”：實驗數據積累、構建數學模型，推導預測原理。AI技術的“3步走”邏輯，非常符合科學發展規律。

2024年11月，中國科學技術大學李微雪教授團隊通過先進的人工智能（AI）算法，揭示了金屬-載體相互作用的本質。該團隊收集了25種金屬和27種氧化物的實驗數據，然后應用一種可解釋性AI算法，從材料的基本性質出發，將材料已知的物理化學參數迭代地通過數學組合，構建一個由300億個表達式組成的候選空間，基于壓縮感知原理，從300億個表達式中得到一個能再現所有實驗數據的方程。成功建立了“金屬-載體相互作用”與材料性質之間的本征控制方程。這項研究工作展示了可解釋性AI算法的巨大潛力。

3、DSR助力催化劑篩選實驗落地

AI技術賦能催化劑篩選研究，讓技術理論探索的過程不再曲折，儀器實驗讓理論落地生根。

DSR旋轉圓盤圓環電極作為一款精良好用的電化學儀器，具有“數字型、一體化、‘狠’穩定”的特點，適用于：氫燃料電池催化劑研究及評價、鋰空氣電池研究、電化學動力學研究、ORR/OER/HER/CO2RR研究、緩蝕劑評價及研究、金屬材料腐蝕電位研究等。

通過DSR旋轉圓盤圓環電極裝置對AI催化劑篩選評價實驗檢驗，尋找具有市場前景的催化劑結構和材料，實現商業化應用。