第一作者(或者共同第一作者)：丁睿
通讯作者(或者共同通讯作者)：李佳博士；刘建国教授
通讯单位：南京大学
论文DOI：10./D0TAG
全文速览结合人工智能(AI)开展研发现已成为如今材料研究领域的新兴趋势，因为机器学习能够基于大数据进行准确的决策和预测从而显著缩短材料开发周期。但是，这一交叉领域的研究仍处于起步阶段，缺乏标准的研究范式将不利于未来的发展。因此，提出了标准的机器学习工作流程，其模块包括数据库构建，特征筛选，决策建模，回归建模和极值优化并与研究人员在AI指导下进行的实验探索构成了完整的新型材料研发循环。以在质子交换膜燃料电池(PEMFC)中应用的膜电极组件(MEA)能的优化为例，成功地开创了可数字化的劳动密集性研究领域如何从机器学习中受益的先例。
背景介绍为了将PEMFC作为新一代的清洁能源装置普及，提高其核心部件MEA的输出功率是至关重要的。然而MEA的性能与许多因素有关：从催化剂的原始制备方法和化学组成到MEA的器件合成工艺，最后到燃料电池的实际工作条件。整个系统在优化时需要同时考虑到多个层面的物理化学过程，例如表面催化，材料传输和热电耦合。因此，研究人员不仅要面临优化实验中中需要考虑的参数过于庞杂，通过量子力学或有限元方法对局部过程进行粗糙模拟获得的模型准确性和适用范围也十分有限。另一方面，正是由于对MEA评估的参数非常复杂，导致即使是最有经验的研究者也难以基于宝贵的实验数据来建立准确的数据驱动的高维模型以有效地关联诸多变量以提出下一步优化的参数建议。因此，停留在传统的试错(trail-and-error)范式使得MEA的性能优化成本高昂且低效，该领域迫切需要引入一种革命性的新范式提升效率。
本文亮点AI机器学习由于其卓绝的大数据挖掘以及在部分任务上能够超出领域专家潜力已经而在近年广受