西北工业大学李致朋/令狐佳珺课题组总结了人工智能在燃料电池材料设计领域的应用案例，相关综述文章：《Applications of artificial intelligence in materials research for fuel cells》，发表于人工智能领域的新型国际英文期刊《AI&Materials》，课题组研究生刘鸿为本文的第一作者。
燃料电池在氢能利用领域占据着举足轻重的地位，但目前该技术面临着诸多挑战，尤其是相关组分材料的多项性能都亟待提升，故而对现有材料的改性及新材料的设计是近几年来领域内的研究热点。然而，传统逐一试错的方法因效率低下、成本高昂等弊端，已难以满足当下高速发展的需求，所幸人工智能（AI）领域的飞速发展带来了全新的解决思路，能够高效辅助材料性能的改善及系统控制的优化，大幅加速燃料电池的研发进程。本文回顾了人工智能在燃料电池领域的应用情况，重点聚焦于其在加速材料开发方面的原理、应用、存在的问题及未来发展方向。
本文先对不同类型燃料电池的工作原理与机制进行了系统性概述，同时深入剖析了燃料电池各个组成部分对材料性能的具体要求。紧接着，介绍了人工智能的基本概念及其在材料科学领域的应用，阐述了其针对材料设计中常见问题所提供的解决方案，涵盖数据收集、性能预测、类别分类以及因素分析等多个层面。继而提供了机器学习技术应用于材料设计的具体流程，并归纳总结了获取材料数据的主要途径。
随后，本文通过多个实际案例，深入探讨了机器学习在燃料电池材料设计方面的具体应用。例如，在质子交换膜燃料电池领域，Zhen及其同事开发了一种物理生态位遗传（PNG）机器学习程序，实现了通过铂镍（Pt-Ni）合金纳米团簇框架内构型预测其稳定性的功能，误差仅在0.13电子伏特以下。随后再利用该模型预测了2.5×10⁵ 个候选结构的稳定性并从中筛选出Pt₄₃Ni₄₂为最稳定的构型。在固体氧化物燃料电池领域，Zhai等人选取包括离子路易斯酸强度在内的9个描述符，仅利用89个材料的数据构建了面积比电阻（ASR）的预测模型。继而通过该模型预测未研究材料的性能，并筛选出预测值低的材料进行实验合成，成功制得四种性能优异的钙钛矿氧化物。此外，还借助密度泛函理论计算，发现A、B位离子路易斯酸的极化分布降低了氧空位形成能和迁移势垒，从而解释了路易斯酸作为描述符的重要性及相关材料中氧化还原活性增强的机制。该工作为材料设计提供了一个结合机器学习筛选、实验制备和理论分析的典型范式。
本文最后一部分分析了目前机器学习在应用过程中面临的五大难点，分别是数据集的缺乏、特征构建的困难、模型泛化能力及可解释性的不足。随后也总结了相应的解决策略，例如通过应用旋转、缩放和裁剪等转换来手动扩展数据集，利用递归特征消除等特征选择算法筛选影响力大的特征，借助超参调优、正则化等方式提高模型的泛化能力，采用LIME与SHAP等方法为模型提供解释等。
总之，本文系统综述了人工智能在燃料电池电解质、电极和催化剂等相关材料设计中的应用，归纳出了数据驱动材料发现的一般策略和结构化工作流程。同时总结了数据缺乏等人工智能在应用中遇到的挑战及SHAP和集成学习等可能的解决方案，有助于后续利用人工智能辅助燃料电池材料研发的研究工作。
Figure 3. (a) Classification of material types [53] (Copyright 2020, Journal of Applied Physics); (b) Prediction of material properties [54] (Copyright 2022, Chemical Physics); (c) Feature relationships in the heatmap [55] (Copyright 2022, Advanced Materials).
Figure 5. The process of ML in accelerating material development.
Fgure 6. (a) After ML prediction and screening, the selected materials are experimentally prepared and undergo characterization tests, which are combined with using DFT calculations to verify their properties simultaneously [73] (Copyright 2022, Nature Energy); (b) Simplified cathode material development framework based on the experimental design paradigm (EDP). Selection of elements, selection of factorial design matrix, synthesis of cathode materials series, fabrication and testing of samples, and analysis of results [74] (Copyright 2023, Chemical Engineering Journal); (c) Comparative illustration of conventional and LLM-transformed research paradigms [52] (Copyright 2023, (Copyright 2024, Chemical Engineering Journal)).
本文引用如下：Hong Liu, Heming Guo, Zibo Gao, Hetong Pan, Junhao Zheng, Jiajun Linghu,* and Zhi-Peng Li,*. Applications of artificial intelligence in materials research for fuel cells. AI Mater. 2025(1):0003, https://doi.org/10.55092/aimat20250003.
全文链接：
https://www.elspub.com/papers/j/1855590622703005696.html
声明
