这一最新研究汇总了多篇文献的实验界面作用数据，涵盖了 25 种金属和 27 种氧化物。研究通过可解释性 AI 算法，以材料性质作为基本特征，经过迭代式的数学操作，构建了由高达 300 亿个表达式组成的特征空间。研究利用压缩感知算法，结合领域知识和理论推导，筛选出物理清晰、数值准确的描述符，建立了金属-载体相互作用与材料性质之间的控制方程。 
上述成果将助力高活性、高选择性、高稳定性催化剂的优化设计，有望加快新催化材料、新催化反应的发现，助推能源、环境和材料的绿色升级和可持续发展。 
同时，这一研究表明可解释性 AI 算法能够在实验数据中构建数学模型，挖掘隐含的物理规律，建立具有预测能力的理论，加速科学原理发现的过程，将推动 AI 技术与化学研究的深度融合，为实现重要科学问题和技术创新突破提供新的视角和可能的解决方案。‎ 
相关研究成果发表于《科学（Science）》：https://www...