高熵合金（HEA）是一类非常有前途的电催化材料，因为其独特的活性位点分布打破了限制传统过渡金属催化剂活性的结垢关系。现有的基于贝叶斯优化 (BO) 的虚拟筛选方法将催化活性作为唯一目标，相应地倾向于识别不太可能实现熵稳定的有前途的材料。

基于此，为了深入研究更高维的组成空间，选择组成元素，并发现具有多种所需特性的新型催化剂，拜罗伊特大学Johannes T. Margraf提出了一个数据高效的多目标 BO 框架，允许沿着 Pareto 前沿进行不同的权衡。

文章要点

1）作为展示，研究人员重点关注用于氧还原反应 (ORR) 的 HEA 电催化剂的发现，其成分最多包含 10 种元素。当假设摩尔分数步长为 1% 时，这相当于大约 4.3 × 10¹² 个可能的 HEA，因此比 5 元素空间 (4.6 × 10⁶ ) 大 6 个数量级。

2）研究人员在这个巨大的设计空间中同时优化催化活性、成本效益和混合熵，并提出了一些有前途的 HEA。研究结果凸显了机器学习代理模型驱动的多目标优化在材料发现方面的前景。

参考电竞投注官网

Wenbin Xu, et al, Discovering High Entropy Alloy Electrocatalysts in Vast Composition, Spaces with Multiobjective Optimization, J. Am. Chem. Soc., 2024

https://doi.org/10.1021/jacs.3c14486