化材学院李小波博士在JournaloftheAmericanChemicalSociety发表研究成果

来源：浙江师范大学时间：2024-01-27 20:21:52

近日，化材学院“双龙学者”特聘教授李小波博士联合利物浦大学、伯明翰大学在国际权威学术期刊Journal of the American Chemical Society上发表了研究论文“Machine Learning Accelerated Exploration of Ternary Organic Heterojunction Photocatalysts for Sacrificial Hydrogen Evolution” 。Journal of the American Chemical Society是目前化学领域最具影响力的综合性刊物之一，最新影响因子为15。

在过往研究中，李小波博士利用实验室搭建高通量光催化工作站，引入了一种高通量方法来筛选二元的有机供体-受体异质结光催化剂，从而发现了用于水分解产氢气的高活性催化剂体系（Chem. Commun., 2020,56, 6790-6793），高效筛选了光催化合成双氧水有机光催化剂（J. Am. Chem. Soc. 2021, 143, 46, 19287–19293），进一步结合机器学习首次构建了有机分子产氢性能预测模型（Chem. Sci., 2021,12, 10742-10754）。在这项新的研究中，李小波博士结合化学材料编码和机器学习方法，引导特定种类组分的三元有机光催化剂的筛选。在给定的有机供体、受体材料范围内，李小波博士设计了两类三元组份体系，即供体-供体-受体或供体-受体-受体，并使用设计好的化学信息和机器学习算法进行推荐，运用高通量实验平台对两批三元催化剂的活性进行测量。其中，性能最高的10个三元有机异质结光催化剂展现出了优异的活性，其氢气产生速率全部超过了500 mmol g-1 h-1。这些催化剂展现出比二元体系更高的活性，并保持了良好的光催化稳定性。

同时，基于已发表的机器学习在光催化材料上的应用，李小波博士提出了一种使用光催化剂分子结构-电子特性信息的编码方法。将多组分体系内每个成分的特征值（包含电子、结构信息）串联，并计算有机分子的相似度矩阵和核函数，有效地将抽象化学信息转换为计算机可读的数字信息，从而提供给机器学习算法进行进一步的研究和推荐。