设计表面可以用作化学反应催化剂的新化合物或合金可能是一个复杂的过程，这在很大程度上依赖于经验丰富的化学家的直觉。麻省理工学院的一组研究人员设计了一种使用机器学习的新方法，该方法消除了对直觉的需求，并提供了比传统方法实际实现的更详细的信息。材料的表面往往与周围环境相互作用，其方式取决于表面原子的确切配置，而原子的具体配置可能因材料原子结构的哪些部分暴露而有所不同。这类似于材料表面在浸入液体或暴露在不同温度下时的反应。通常用于表征材料表面的方法是静态的，着眼于数百万种可能性中的特定配置。新方法允许基于迭代机器学习过程自动选择的几个第一性原理计算来估计所有变化，以便找到具有所需特性的材料。此外，与典型的现有方法不同，新系统可以扩展以提供关于在操作条件下表面性质如何随时间变化的动态信息，例如当催化剂积极促进化学反应时，或者当电池电极充电或放电时。

　　研究人员的方法，他们称之为自动表面重建框架，避免了使用手工挑选的表面示例来训练模拟中使用的神经网络。相反，它从原始切割表面的单个示例开始，然后使用主动学习与一种蒙特卡洛算法相结合的方法来选择要在该表面上采样的位点，评估每个示例位点的结果，以指导下一个位点的选择。该团队报告称，在数百万种可能的化学成分和构型中，使用不到5000种第一性原理计算，该系统可以获得对各种化学势或电势的表面能的准确预测。该工具或一组名为AutoSurfRecon的计算机算法已由研究人员免费提供，因此世界上任何研究人员都可以下载并使用它，例如帮助开发催化剂的新材料，例如用于生产“绿色”氢作为替代无排放燃料，或用于新的电池或燃料电池组件。

　　资讯来源：麻省理工学院官网