从TOF-SIMS中提取了Cu-Pd电催化剂的深度剖面，并重新构建的3D图，如图9a所示。图2中的3D选择性图可以实现对CO2RR产物的选择性，因此本文使用该图预测二元合金催化剂的选择性和活性，采用机器学习预测了ΔECO*、ΔEOH*和ΔEH*，如图3a。此外，图9e显示，由CO2RR转化为C1+产物比例从-0.75 V时的0.29迅速增加到-0.85 V时的0.84，并最终在–1.15 V时达到

虑到原子数（P11）的相关性，该研究对溶质中O + Cl + CN + S含量为3%的情况进行了研究，探讨了它与溶剂分子中O + Cl + CN + S百分比（P12）的关系，同时考虑了三种不同的O + Cl + CN + S含量（P31 = 0.01、50和100）以及两种不同的溶质浓度（P36 = 0.001和0.1），如图6B所示。表1中总结的结果与具有R2值为0.90的投票回归机器学习模型

与传统的晶体材料相比，非晶材料具有优异的性能，例如高容缺性、优异的电化学稳定性和更低的介电常数等，这使得它们在高性能电子器件、能量存储和传感器等方面表现出巨大的潜力。，如非晶材料缺乏晶体的平移对称性，导致其表征困难。总的来说，计算设计和AI的结合将为非晶材料的开发提供新的机遇，并为未来的实验合成提供重要的理论指导。未来，跨学科的合作将是推动这一领域发展的关键，尤其是在AI、材料学和实验技术的深度融

通过构建Janus-MXenes，可以显著调节催化剂的性能，得到了一些高活性、低过电位的催化剂，如Pt-VO-CrTiCO2 (0.44 V)、Pt-VO-MnTiCO2 (0.24 V)、Pt-VO-NiTiCO2 (0.41 V)和Pt-VO-CrTiCO2 (0.33 V)，如图3 (b-e)所示。与普通MXenes (Pt-VO-PdTiCO2)相比，在Janus-MXenes Pt-VO

采用基质辅助激光解吸/电离飞行时间（MALDI-TOF）质谱、傅里叶变换红外光谱（FT-IR）和X射线光电子能谱（XPS）对合成的MBMs进行表征，与配体骨架相比，性能研究显示，不同金属原子设计的MBMs具有迷人的光学特性，窄且可调谐的电子带隙，以及显着增强的热容（Cp）。含有3、5和7个Cu原子的MBMs平均Cu-Cu键长分别为2.459、2.396和2.339 Å，明显短于Cu的Bragg原子

我们通过一系列代表性案例，如金属中的银（Ag）、共价体系中的碳（C）、以及复合材料系统，例如石墨烯、氮化硼和复杂的相关氧化物，来展现CASTING框架在材料发现和设计中的高准确度、快速收敛性和良好的扩展性。通过对CASTING框架的效能进行展示，此项工作将该技术应用于各种代表性系统，包括单一成分的金属系统如银（Ag）和金（Au）、共价系统如碳（C）、二元系统如氮化硼（h-BN）和碳氢化合物（C-H

实际上，热电材料可以实现电热之间的直接和相互转换。然而，由于电和热传输特性的强耦合，开发提高高热电性能的策略具有挑战性。在此，在p型碲化物铅基材料中实现了空穴簇的赝纳米结构和捕获孔释放的动态载流子调节，使声子和载流子输运同时调控。在850开尔文时，zT峰值为2.8，在300~850开尔文时，平均zT值为1.65。在分段模块中，还在554开尔文的温差下，获得了~15.5%的能量转换效率，这也显示了在

对于当前一代量子计算机来说，结合数据驱动和物理启发学习的混合两步优化非常重要，已经证明了 Transformer 能够减轻当今不完美的输出数据中出现的错误，并可能形成强大的纠错协议的基础，以支持未来真正容错硬件的开发。缩放（scaling ） Transformer 的成功，以及它们在语言任务中所展示的非平凡涌现现象所引发的重要问题，一直吸引着物理学家，对他们来说，实现缩放是量子计算研究的主要目标

于2011获中国科学技术大学博士学位。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

通过人工智能（AI）数据挖掘中的子群发现（SGD）方法，从双金属Ni基金属-有机骨架（MOFs）的数据集中提取出d带中心、Ni的eg态缺失电子数、取代过渡金属原子的电离能和eg态电子数，这些特征被揭示为优异OER催化剂的关键因素。图4：Ni-MOF、Ni3Fe1-MOF、Ni3Co1-MOF、Ni3Zn1-MOF和RuO2的线性扫描伏安曲线（LSV），以及不同Ni/Fe掺杂比例的MOF样品的LSV