ChemRxiv预印本：Pt-Fe纳米颗粒ORR活性排序由活化诱导亚表面重构决定
ChemRxiv 10月23日预印本提出DFT+机器学习团簇扩展+动力学蒙特卡洛的活化映射建模工作流，证明L10与L12 Pt-Fe纳米颗粒的ORR活性排序由活化诱导的亚表面重构决定：L10衍生颗粒呈台面控制、L12衍生呈边缘控制，模型复现实验活性排序。对燃料电池低铂催化剂设计具方法论意义。
机器学习
共 5 页 · B910化工 · AI 化学信息库
电池老化预测新突破：单一参数组SEI生长模型横跨多种电解液、负极与温度全适用
一支包含电池领域知名学者J. R. Dahn的研究团队在arXiv发布SEI生长模型：基于电子扩散机制，通过负极电位对电子浓度的调控内禀捕获荷电状态依赖性，在LFP/石墨电池上跨LiFSI/LiPF6两种电解液、两种人造石墨、40-70°C、C/20-1C及受限SOC窗口等条件，用一套统一参数即可高精度预测容量衰减。
钠锰氧化物正极材料组合库研究：铁提升容量、钒增强循环稳定性，助力AI设计钠离子电池
发表于《材料化学杂志A》的新研究构建了28种钠锰氧化物正极成分组合库，系统评估铁、钛、钒取代对钠离子电池性能的影响：铁关联更高储能量，钒改善循环稳定性，少量钛提升倍率性能，为钠离子电池正极设计与AI材料筛选提供了数据基础。
西班牙ITENE启动FLEXIA项目：用AI预测食品软包装多层结构性能
西班牙包装技术中心ITENE启动FLEXIA项目（2026年7月至2027年12月），通过机器学习预测软包装功能性能并智能监控生产工艺，解决机械强度、阻隔性、热封性与可回收性难以兼顾的行业痛点；项目获瓦伦西亚大区IVACE+支持及欧盟资助，成果将集成到面向软包装制造企业的数字化决策平台。
高熵金属磷酸盐质子导体：构型熵驱动电导率，钴用量可减至40%性能不降
德国研究团队（Feldmann、Emmerling等）10月14日于ChemRxiv发布高熵金属磷酸盐（HEMP）质子导体研究：在磷酸盐八水合物框架中固溶多达8种金属阳离子，80°C下构型熵超越钴含量成为电导率首要驱动因子，钴可降至约40 mol%而性能持平甚至超越纯钴基准，为摆脱关键原材料的质子传导电解质提供新路线。
机器学习筛选10万种Heusler合金寻找热电材料
研究人员结合机器学习预测电子态密度与第一性原理输运计算，对DXMag数据库中全部106235种Heusler结构进行高通量筛选，验证了DOS衍生Seebeck指标可作为廉价预筛工具，并发现候选热电材料。
印度科学学院用AI发现铜催化剂上9389个CO2转化反应路径
印度科学学院（IISc）研究人员结合机器学习与计算机模拟，在铜催化剂表面识别出9389个此前被忽视的化学反应，为CO2转化为燃料和工业化学品发现新路径，成果发表于《自然·通讯》。
大语言模型挖出14.8万条溶胶-凝胶合成配方：Ceder与Sutter-Fella团队构建含相纯度结果的开放数据集
ChemRxiv预印本显示，Wesley Chen、Gerbrand Ceder、Carolin Sutter-Fella、Anubhav Jain等研究者用Gemini 3.0 Flash从文献中文本挖掘出约14.8万条溶胶-凝胶合成记录，其中约2.8万条为相不纯"失败"结果；所有抽取实体F1分数超0.89，聚合数据成功复现BiFeO3薄膜相纯度趋势，为无机合成机器学习提供含负样本的训练基础。
MOF/COF'预测式合成'路线图：从化学直觉试错走向多变量前瞻建模
Bin Feng、Zhiling Zheng等研究者发表展望，系统梳理金属有机框架与共价有机框架合成从直觉驱动到机器学习辅助预测建模的演进，指出其本征多维变量空间正促使合成科学向前瞻性设计范式转型。
AutoDrude框架实现聚合物电解质极化力场端到端学习：仅1.2倍成本复现实验离子电导率
MIT Rafael Gomez-Bombarelli团队在arXiv发布AutoDrude，一个从DFT能量、力与偶极直接参数化可极化Drude力场的可微分框架，无需经验调参、模拟成本仅为固定电荷力场的1.20倍；在PEO-LiTFSI固态聚合物电解质体系上，硬约束模型以17%的平均绝对百分比误差复现实验离子电导率，与最佳经验电荷缩放模型（16%）相当。
机器学习指导设计高介电常数陶瓷：介电常数185、损耗仅0.0005的温度稳定电容器材料
据AZoM报道，一项发表于Nature Electronics的研究用分层机器学习策略指导钨青铜陶瓷的化学共取代设计，获得介电常数185、损耗角正切0.0005、电容温度系数±30ppm/K的温度稳定高介电氧化物，破解电容器微型化中高κ与低损耗、热稳定难以兼得的三难权衡，可应用于射频模块、集成电路与通信系统。
图机器学习加速掺杂ZrO2催化剂筛选：CO2加氢催化剂设计效率大幅提升
丹麦技术大学团队改进基于图的机器学习方法WWL-GPR，引入电子结构与局域环境特征预测掺杂氧化锆表面吸附与过渡态能量，替代昂贵DFT计算，加速CO2加氢掺杂催化剂的筛选。
保结构神经密度泛函实现聚合物电解质离子关联跨尺度预测：四分之一训练量精度反超
Liyao Lyu向arXiv提交论文（10月8日），构建保持空间对称性、热力学可积性与Noether恒等式的神经密度泛函，用于非均匀聚合物电解质的离子关联描述。仅以平面分子动力学数据训练，即可预测更大区域与二维外场下的离子结构，精度优于三种同类架构且训练量仅为其四分之一。
PoreML开源框架发布：3.3TB多孔介质多相流数据集加速机器学习研究
研究团队发布开源框架PoreML，统一多孔介质多相流机器学习的数据生成、训练与评测：含GPU原生格子玻尔兹曼求解器、3.3TB/560次模拟/158546个时间步的数据集及统一评测协议，覆盖CO2封存、燃料电池等应用场景，并对五种主流模型架构进行了系统评估。
机器学习加速高熵合金纳米催化剂筛选：动力学蒙特卡洛为析氢反应选出更多元配方
研究人员在arXiv发布框架，结合机器学习能量预测、热力学蒙特卡洛、贝叶斯优化与动力学蒙特卡洛模拟，对9元素空间中85原子高熵合金纳米颗粒进行析氢反应筛选，发现基于吸附能的静态优化偏向铂富集少组元配方，而动力学评价更青睐成分多元的组成，为催化剂理性设计提供新范式。
仅用带电结构训练的机器学习组合模型加速钠电池高压正极发现，不确定度量化筛选可靠性提升
arXiv预印本（v2于10月3日更新）提出以带电结构数据集训练描述符机器学习模型与神经网络组合，预测钠离子电池正极材料平均电压，并通过不确定度量化提升筛选可靠性，直指钠电正极电压低、能量密度受限的痛点。