读创/深圳商报首席记者吴吉

　　近日，深圳大学谢和平院士与其博士生翟朔分别为通讯和第一作者，在《自然—能源》上发表研究成果。他们将机器学习、理论计算与陶瓷固体氧化物开发相结合，开发了一个经过实验验证的阴极材料机器学习筛选技术，快速、有效地从庞大的钙钛矿组分中筛选高活性固体氧化物燃料电池阴极材料，对探索近零碳排放发电技术具有重大意义。香港理工大学倪萌教授、南京工业大学邵宗平教授为共同通讯作者。

　　基于机器学习的固体氧化物燃料电池阴极材料开发总体工作流程图

　　实现煤炭清洁高效利用对我国能源结构改革具有重要战略意义。然而，燃煤电厂受卡诺循环限制，单位发电量的煤炭消耗量较高，且难以破解二氧化碳排放的技术瓶颈。谢和平团队提出并正在攻关的“近零碳排放直接煤燃料电池发电技术”，可打破卡诺循环的限制，不通过燃烧，而是将改性煤炭的化学能通过电化学氧化过程直接转换为电能，同时在系统内原位实现二氧化碳二次利用，具有能量转换效率高、实现近零碳排放的特点。不过，传统的材料设计、表征和测试依赖低效的试错过程，往往需要漫长的研究周期。

　　针对这一难题，谢和平团队将机器学习技术应用于针对固体氧化物燃料电池高活性阴极材料筛选的攻关研究。该研究将机器学习、理论计算与陶瓷固体氧化物开发相结合，开发了一个经过实验验证的阴极材料机器学习筛选技术，实现了固体氧化物燃料电池筛选高活性阴极材料的重大突破。

　　最终，团队从机器自动生成、预测的6871种不同钙钛矿氧化物中筛选出了4种钙钛矿阴极并成功合成。该项研究成功将机器学习与高活性固体氧化物燃料电池阴极材料的开发相结合，实现了快速、有效地从庞大的钙钛矿组分中筛选高活阴极材料。

　　该成果为团队正在攻关的“近零碳排放直接煤燃料电池发电技术”提供了理论依据与技术支持。