on style="white-space: normal; line-height: 1.75em; margin-bottom: 1em; margin-left: 8px; margin-right: 8px;">壓電催化已成為壓電研究中的一個重要課題，尤其是在解決環境問題方面。然而，對納米加工的依賴嚴重阻礙了對具有復雜成分設計的材料進行更高性能和大規模應用的研究。在此，北京科技大學白洋研究員等人使用機器學習（ML）策略有效地對具有出色壓電響應的陶瓷粉末的廣闊組成空間進行采樣，預計這些陶瓷粉末會影響壓電催化性能。其中，采用固態反應法合成的陶瓷屬于多組分體系 (Ba1-x-yCaxSry) (Ti1-u-v-wZruSnvHfw)O3，目標特性為d33即壓電系數。特征池由基本元素屬性組成，如尺寸、電化學、原子序數和鍵長等。基于已建立的特征池，作者采用3個步驟來識別最相關的描述符，包括Pearson相關性分析、模型選擇和使用繞封方法以提取擬合誤差最小的描述符組合。最終，作者選擇了誤差最小的4個描述符，即八面體因子（μ）、Matyonov-Batsanov電負性（EN-MB）、價電子數與核電荷的比率（Vec/Z）及核心電子距離（Rdce）。此外，支持向量回歸（SVR.rbf）算法在測試觀察中具有最低的交叉驗證誤差，因而被用作首選的ML模型。在建立回歸模型作為代理模型后，作者結合模型的預測值和相關的不確定性來指導在廣闊的搜索空間中搜索具有高d33的成分。當d33預測映射到相圖中，成分-性質關系的含義變得非常清楚：最高d33傾向于出現在菱面體、斜方體和四方相并存的相界區域內，尤其是在菱面體相側。最終，作者選擇了具有相對較大d33和最少元素的(Ba0.95Ca0.05)(Ti0.9Sn0.1)O3，其燒結陶瓷具有605 ± 14 pC/N的高d33，與ML預測的633 ± 70 pC/N基本一致。機械研磨的陶瓷粉末具有優異的壓電催化活性，RhB染料溶液的降解率為 (2.16 ± 0.28) × 10-2 min-1，這與之前報道的納米顆粒的性能相當。總之，這項工作提供了對BaTiO3基陶瓷壓電性質的進一步了解，并為尋找適合大規模應用的優質壓電催化劑提供了有效的策略。圖2. (Ba1-x Cax)(Ti0.9Sn0.1)O3的d33和壓電催化活性Accelerated discovery of high-performance piezocatalyst in BaTiO3-based ceramics via machine learning, Nano Energy 2022. DOI: 10.1016/j.nanoen.2022.107218
