本网讯 近日，中南大学物理学院欧阳方平教授团队与国防科技大学王珊珊研究员团队在《先进材料》（Advanced Materials）发表题为“机器学习辅助探索MoSxTe2-x 电催化剂中高效析氢的活性中心（Machine Learning-assisted Active Center Exploration in Atomically Thin MoS_xTe_2-xElectrocatalysts for Efficient Hydrogen Evolution）”的原创研究论文。中南大学为该成果的第一署名单位和通讯单位，中南大学博士生薛申奥、国防科技大学罗政助理研究员和新疆大学李奥林博士为本论文共同第一作者。

在二维MoS₂催化析氢反应（HER）领域，构筑高效催化活性位点已成为提升其催化性能的研究热点。具有原子级分辨率的透射电子显微镜（TEM）是揭示催化剂结构与性能间构效关系的关键手段。然而，人工分析含有丰富结构信息的显微图像效率低、耗时长且易存在统计学偏差。近年来，机器学习（ML）在材料原子结构（如点缺陷、晶界、分子手性等）的智能识别方面取得了显著进展，尤其是无监督学习方法，能够在无需预先标注的前提下，通过聚类的方式挖掘数据间的内在关系，从而加速新结构、新知识的发现。现有的AI显微学研究多集中于相对单一的原子级结构智能解析和理论性质高效预测，如何将AI赋能的解算模块与材料制备和实验性能相融合，建立人机交融的高性能催化剂开发新范式，是亟待解决的研究逻辑转型问题。

鉴于此，研究团队首先利用泽尼克多项式对二维MoS_xTe_2-x合金的原子级显微图像进行特征提取，并基于UMAP降维的无监督机器学习框架，实现了原子级显微结构在特征空间上的可解释聚类。通过比对不同合成工艺条件下催化剂的原子级结构差异，发现了一种新型的反位点吸附缺陷。结合密度泛函理论计算和电化学实验，对机器学习辅助下新发现的微观结构进行了闭环验证，证实了其在电化学析氢反应中优异的催化活性。该团队首次将AI赋能下的显微结构分析融入到新型催化剂的全链路研究中，以此快速建立催化剂“工艺-结构-性质-性能”间的关联关系，为高性能催化剂的研发提供了全新的科研范式。

ML辅助的HER催化剂设计示意图，包括催化剂合成与表征、ML辅助STEM数据分析以自动发现缺陷、缺陷形成和性质的理论计算以及电催化性能的实验验证

欧阳方平教授团队长期致力于低维量子材料电子学理论、可控制备与器件基础领域研究。近年来，团队及其合作者基于理论计算和实验研究，在机器学习赋能的二维材料研究领域中取得系列原创性研究成果。该研究工作得到国家自然科学基金、新疆维吾尔自治区自然科学基金重点项目、自治区智力援疆创新拓展计划以及中南大学高性能计算平台等支持。

（一审：杨心怡 二审：余学飞 三审：唐潇珺）