7月2日消息，arXiv研究提出基于物理因果模型的电催化剂性能分析新方法

B910化工消息：7月2日消息，一项发表在arXiv的研究展示了如何将基于物理的结构因果模型(structural causal models, SCM)应用于电化学材料和电催化剂性能分析。该研究由Wang Evelyna、Hung Linda、Witty Sam、Stevens Michaela Burke和Tran Kevin完成，于2026年6月29日发表。

当前人工智能和机器学习工具尚未能实现新一代材料的快速设计。要推动材料发展，需要对材料性质如何影响器件性能有详细的物理理解。例如，电催化剂墨水参数的优化没有已知的物理数学模型，因此难以将材料研究中的洞见转化为器件研究中的指导。

研究团队展示了如何使用SCM从复杂的异质电化学系统中提取定量因果洞见，即便在小样本量(n<10)但多模态数据集(modes>10)的情况下。该模型定量地分离了载体与催化剂比例和总材料负载量变化对催化性能的影响。

研究人员将该方法应用于锰-锡氧化物氧还原电催化剂在Vulcan碳载体上的碱性介质中的循环伏安法分析。因果分析量化地揭示了催化剂性能如何受活性位点数量与电极厚度的影响。这是首次将基于物理的SCM应用于电化学材料及其性能的研究。

该方法可为燃料电池、电解水和金属-空气电池等领域的电催化剂开发提供新的指导工具。 （来源：arXiv）