催化剂的研究发现，通常局限于单一材料类别，这限制了对不同材料类型内在规律的挖掘。
近日，韩国基础科学研究所纳米粒子研究中心Junseok Moon, Seungwoo Yoo，玄泽焕Taeghwan Hyeon等在Nature Materials上发文，报道了一种机器学习方法，跨越不同催化剂家族，通过从两个实验数据集（碳负载单原子催化剂（SACs）和块体钙钛矿氧化物）中，识别出共描述符来实现。
该共描述符集经过自动化统计和自然语言分析筛选，通过提取与活性相关的共有化学特征，实现了对不同实验催化剂数据集的整合。由此产生的统一模型：杂交神经网络（CBNN），预测先前未训练过的催化剂类别（钙钛矿氧化物负载单原子催化剂）的析氧活性。
这种混合神经网络CBNN可以精准预测实验合成催化剂（包括一种多金属催化剂）的过电位性能趋势，其中多金属催化剂的活性优于所有已知候选材料。可解释机器学习进一步揭示了描述符重要性以及表面原子贡献与活性趋势之间关联。这些结果表明，不同材料之间的机器学习，加速在已知设计空间之外发现高性能催化剂。
Cross-material catalyst discovery via deep learning.图1 | 交叉育种神经网络（CBNN）架构与工作流程示意图
图2 | 关键共描述符的筛选与跨材料训练评估
图3 | 单金属单原子催化剂的结构表征与机器学习预测验证
图4 | 多金属单原子催化剂的性能突破与跨材料比较
图5 | 可解释机器学习揭示表面原子对催化活性的贡献
Moon, J., Yoo, S., Shim, J. et al. Cross-material catalyst discovery via deep learning. Nat. Mater. (2026). https://doi.org/10.1038/s41563-026-02622-6
