跳到正文
Angewandte Chemie International Edition· Rafael Larraz; Avelino Corma·· 来源仅提供日期AI 评分30

从原子到反应器:多相催化中机器学习十年(2017–2026)批判性综述

From Atoms to Reactors: A Critical Review of a Decade of Machine Learning in Heterogeneous Catalysis (2017–2026)

AI 导读

综述梳理2017–2026年机器学习在多相催化全价值链的演进,覆盖催化剂发现至反应器及工艺设计。吸附能与原子势能面预测已较成熟,相对DFT误差数十meV、速度提升三个数量级;闭环自主实验室结合贝叶斯优化、自动合成与高通量测试,是最显著进展。大语言模型开始承担推理与编排层,动力学、反应器和工艺设计仍是数字化程度最低环节。

已发表论文 · journal · 10.1002/anie.4288841

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

IF(5) 16.7 · 2025 · 期刊参考指标

摘要 · AI 翻译

这篇批判性综述追溯了2017–2026年间机器学习(ML)在多相催化全价值链中的演进,涵盖从催化剂发现到反应器与工艺设计,以及主要反应家族(CO ₂ 还原、水分解、氮化学、沸石催化转化)。每个阶段均通过结构化能力记分卡,依据四项标准进行评估——数据基础、方法成熟度、实验验证与部署就绪度。数字化已从长度尺度的顶端向下推进:吸附能与原子级势能面的预测现已成熟,相对于参考DFT计算的误差仅为数十meV,加速达三个数量级,但经实验验证的催化剂改进仍属罕见。最重要的进展是闭环自主实验室,它将贝叶斯优化、自动化合成与高通量测试耦合在一起。大语言模型已开始增添推理与编排层,而动力学、反应器与工艺设计仍是最不数字化的阶段。我们认为,该领域未来十年的影响力将不取决于更精确的原子尺度预测,而取决于将ML推进到实验验证以及反应器与工艺尺度——在那里,催化最难实现工业化,数据驱动方法也最为薄弱。

来源:Angewandte Chemie International Edition · doi.org