准确识别催化活性的描述符对深入理解催化作用至关重要，同时也能为催化剂筛选奠定基础。然而，常用方法的可预测性和准确性低。2022年4月22日，美国纽约州立大学石溪分校（SUNYSB）和布鲁克海文国家实验室（BNL）的化学家开发了一种利用机器学习（ML）代理模型，从动态数据集中准确识别描述符的增强方法。该模型不仅能捕获单个基本步骤的贡献，还可捕获对高精度至关重要的反应网络中相关步骤之间的相互作用。更重要的是，超越单纯的数学ML模型，该模型还能利用与模型无关的解释工具揭示识别出每个描述符的催化作用，从而加深对合金化促进作用的认识。

新方法遵循成熟的从数据中提取知识的框架，以提高描述符识别的准确性和效率，并与常用的速率控制程度（DRC）分析方法进行比较。新方法利用全局敏感性分析中的代理模型和ML，与正交多项式函数等传统代理模型相比，ML可以访问一系列灵活的非参数回归模型，提供有效的数据驱动函数逼近。结果表明，新方法比现有的基于标度关系和导数的方法要准确得多，能够大大提高识别描述符和预测速率的准确性。更重要的是，它还可以通过评估代理模型进行动力学分析（增加的计算成本可以忽略不计），因此可以提取更好的理解机制和最终设计指南。

信息来源：

https://phys.org/news/2022-05-machine-framework-ids-catalysts.html