9月18日消息，arXiv于9月17日收到一篇题为《Machine Learning for High-Entropy Catalysts: Methods and Applications》的综述论文（编号2609.19837），作者为Hao Chen、Zongrui Pei、Xianglin Liu，系统总结了机器学习（ML）方法在高熵合金（HEA）催化剂设计中的最新进展。

高熵合金由五种以上主元金属近等比混合构成，凭借高构型熵、多元协同效应、可调电子结构与优异结构稳定性，在多种催化反应中表现出色。但其组分空间随元素种类与配比呈组合爆炸式扩张——传统实验试错与第一性原理计算在该空间内的搜索成本极高，效率成为制约新催化剂发现的瓶颈。

综述指出，数据驱动的ML方法正在改变这一格局：通过预测模型与ML代理模型，研究者可快速解码高熵催化剂复杂的成分-结构-性能构效关系，替代昂贵的量子化学计算与实验筛选；更进一步，大语言模型（LLM）被引入用于文献知识提取、科学假设的生成与验证，并作为基础组件构建一体化设计工作流，将文献挖掘、性能预测与候选推荐串联成自动化闭环。

从产业视角，高熵合金催化剂的应用方向涵盖加氢、脱氢、电催化（析氢、析氧、CO2还原）等化工与能源核心反应，ML加速设计若与高通量合成表征平台结合，有望把新催化剂从发现到验证的周期从数年压缩到数月。综述同时讨论了数据稀缺、模型可迁移性与跨尺度建模等挑战，为计算催化与工业催化界的协同提供了方法学地图。 （来源：arXiv）