高熵电催化剂

理论数据驱动设计

用理论和数据驱动的计算筛选替代传统试错实验，快速锁定高活性、高耐久性的高熵电催化剂成分。

Cai, Weiwei · 吴勇军 · 夏新辉 · 暴宁钟 · Zhang, Liangjie

Advanced Materials 2026

技术优势

架构融合三法

闭环框架把DFT、ML、MD串起来，从原子尺度一路算到器件级指标，不必分开摸索。

加速发现循环

理论上带着数据走，高通量计算加机器学习，把试错换成筛选，找最优成分更快。

直指器件指标

框架把原子尺度的计算直接连到器件级性能，让设计目标落到实际电解槽和燃料电池上。

应用场景

• 水电解制氢：快速筛选高效稳定的高熵催化剂，降低制氢能耗。
• 燃料电池催化剂：锁定高活性高熵配方，提升燃料电池输出与寿命。
• 可持续能源转化：用计算筛选替代试错，加快绿色能源转化技术落地。