高熵电催化剂（HEEC）因其在多相催化中的多重优点而受到广泛关注。然而，HEEC的多样局部环境和广阔相空间使得实验和从头计算的探索变得非常困难。近日，香港城市大学Zhao Shijun、华南理工大学康雄武开发了一种准确高效的原子图形（AGAT）网络，以加速高性能HEEC的设计。
本文要点：
1) 在统计的基础上，作者在HEEC表面上证实了标度关系和经典d带理论的可靠性。此外，作者证明了HEEC可以通过提供充足的局部环境来有效地绕过缩放关系。
2) 作者将该模型应用于探索Ni、Co、Fe、Pd、Pt组成的成分空间，并通过实验验证了其中的高性能成分。而AGAT本质上是可解释的，因为其中的专注分数可以解释它们的行为，这与物理原理非常一致。通过可解释的AGAT模型，该工作为高性能HEEC的合理设计和高通量筛选开辟了道路。
Zhang Jun et.al Design high-entropy electrocatalyst via interpretable deep graph attention learning Joule 2023
DOI: 10.1016/j.joule.2023.06.003
https://doi.org/10.1016/j.joule.2023.06.003
