首先，利用5329个尖晶石氧化物结构的计算形成能，开发了基于包含结构信息的“中心–环境”（CE）特征的深度神经网络（DNN）源域模型，然后通过学习855个钙钛矿氧化物结构的小数据集对DNN模型参数进行微调，获得具有良好可迁移性的针对目标域钙钛矿氧化物的迁移学习模型。该研究将基于结构信息的机器学习特征和迁移学习方法结合，利用丰富的已知结构数据，花费较低的额外计算成本即可预测新结构，为昂贵的高通量计算

手性性质的量子力学计算已迅速成为归属有机化合物(包括天然产物)绝对构型(absolute configuration, AC)的最流行方法。现在非专业人员很容易以黑盒模式使用含时密度泛函理论(TDDFT)计算电子圆二色性 (ECD)光谱。然而，不加批判的态度很容易给出错误的答案。本文介绍了在进行TDDFT计算ECD图谱时良好计算规范的讨论，通过最近文献中的几个例子来说明几个最重要的关键点。计算能力

因此，可以描述NiFe LDH的碱性OER性能增强机制可以描述为：OHNi-O-Fe基团更容易的去质子化过程促进了NiFe LDH到Ni(Fe)OOH的动态演变，形成的高价态Ni3+δ (0<δ<1)作为活性位点加速OER反应产生O2。此外，理论计算表明，相比于NiOOH，Ni(Fe)OOH中的Ni d带中心下降，并具有较低的*O结合能，只需要0.39 V的理论过电位来克服电位决定步骤(PDS)的

高性能计算及机器学习算法的发展和普及，为高效电催化剂的研发注入了新的活力。因此，总结机器学习在电催化领域中的已有应用，并对未来亟需克服的难题及有望发展的重要方向做相关展望对于电催化剂的发展至关重要。目前，在电催化研究当中，为了保证机器学习模型的准确性，通常其算法复杂性较高，因此带来了难以解释的（即“黑箱子”）问题。本文总结了机器学习在电催化剂的筛选设计及电催化机理探索中的应用，并针对复杂机器学习算

如图2a和2b所示，DFT和MLIP的结果非常相似。如图1a所示，在2Thi+ 1Oi的GS结构中 ，Oi缺陷倾向于接近两个Thi缺陷中的一个，而不是两者都接近。此外，通过DFT和MLIP计算的这些紧凑构型和真实GS之间的能量差也具有良好的一致性（见图1a），这进一步证实了MLIP的准确性。在这里，爱达荷国家实验室David H. Hurley、Jiang Chao等人以萤石结构的二氧化钍（ThO

图4说明TSAS和TSASe在可见光范围内有着优异的光吸收能力，且平面内吸光能力强于平面外，它们的吸收系数分别可达1.4×105cm−1和1.7×105cm−1，因此在构筑此类光电器件及光催化材料时，应该调控其垂直生长，增大平面内的触光概率。因此，设计一款具有高的载流子迁移能力和光吸收效率的析氢光催化剂尤为重要。首先作者对催化剂的稳定程度进行分析，优化前后晶格常数趋近一致，在AIMD和声子谱测试中

愈创木酚分子中预吸附H原子的1s轨道和O1原子的2s，2p轨道之间的重叠。在H原子的存在下，愈创木酚分子在MgO（1 0 0）表面上的吸附能增强，因此愈创木醇分子在H原子预吸附的MgO（10 0）表面的吸附能为55.3kJ·mol−1高于MgO（1 0 0）表面。通过对愈创木酚在清洁MgO（1 0 0）和H原子预吸附MgO（10 0 0）表面上转化的可能反应进行讨论，获得了愈创木酚在MgO（1 0

我们的算法提供了精度和效率之间的权衡范围，其中一种选择能够在87.36%的时间内找到能量最低的构型，同时在计算上实现约2000倍的加速。在作者之前的工作中，使用机器学习模型加速寻找低能吸附质–表面构型的过程曾一度依赖于针对特定吸附质/催化剂组合的定制模型，这限制了更加广泛的应用。传统上，低能吸附质–表面构型的确定依赖于启发式方法和研究者的直觉。通过这种方法，可以在精度和效率之间取得适当的权衡，其中

1. 大连化物所/丹麦技术大学Angew：无过渡金属氢化钡介导固氮和氨合成过渡金属介导的固氮作用已被深入研究。由于新的二氮反应化学，最近在这一重要反应中使用主族元素引起了人们的兴趣。中科院大连化物所郭建平、丹麦技术大学Heine Anton Hansen和Tejs Vegge等报告了通过无过渡金属氢化钡(BaH2)介导的化学循环过程合成氨。实验和计算研究表明，氢空位的引入对于为N2活化创建多个配位