on style="white-space: normal; line-height: 1.75em; margin-bottom: 1em; margin-left: 8px; margin-right: 8px;">压电催化已成为压电研究中的一个重要课题，尤其是在解决环境问题方面。然而，对纳米加工的依赖严重阻碍了对具有复杂成分设计的材料进行更高性能和大规模应用的研究。在此，北京科技大学白洋研究员等人使用机器学习（ML）策略有效地对具有出色压电响应的陶瓷粉末的广阔组成空间进行采样，预计这些陶瓷粉末会影响压电催化性能。其中，采用固态反应法合成的陶瓷属于多组分体系 (Ba1-x-yCaxSry) (Ti1-u-v-wZruSnvHfw)O3，目标特性为d33即压电系数。特征池由基本元素属性组成，如尺寸、电化学、原子序数和键长等。基于已建立的特征池，作者采用3个步骤来识别最相关的描述符，包括Pearson相关性分析、模型选择和使用绕封方法以提取拟合误差最小的描述符组合。最终，作者选择了误差最小的4个描述符，即八面体因子（μ）、Matyonov-Batsanov电负性（EN-MB）、价电子数与核电荷的比率（Vec/Z）及核心电子距离（Rdce）。此外，支持向量回归（SVR.rbf）算法在测试观察中具有最低的交叉验证误差，因而被用作首选的ML模型。在建立回归模型作为代理模型后，作者结合模型的预测值和相关的不确定性来指导在广阔的搜索空间中搜索具有高d33的成分。当d33预测映射到相图中，成分-性质关系的含义变得非常清楚：最高d33倾向于出现在菱面体、斜方体和四方相并存的相界区域内，尤其是在菱面体相侧。最终，作者选择了具有相对较大d33和最少元素的(Ba0.95Ca0.05)(Ti0.9Sn0.1)O3，其烧结陶瓷具有605 ± 14 pC/N的高d33，与ML预测的633 ± 70 pC/N基本一致。机械研磨的陶瓷粉末具有优异的压电催化活性，RhB染料溶液的降解率为 (2.16 ± 0.28) × 10-2 min-1，这与之前报道的纳米颗粒的性能相当。总之，这项工作提供了对BaTiO3基陶瓷压电性质的进一步了解，并为寻找适合大规模应用的优质压电催化剂提供了有效的策略。图2. (Ba1-x Cax)(Ti0.9Sn0.1)O3的d33和压电催化活性Accelerated discovery of high-performance piezocatalyst in BaTiO3-based ceramics via machine learning, Nano Energy 2022. DOI: 10.1016/j.nanoen.2022.107218
