非均相催化中的高通量实验为在可重复条件下生成大型数据集提供了有效的解决方案。从这些数据集中提取知识大多采用统计方法，旨在优化催化剂配方。先进的机器学习方法与高通量实验相结合，具有巨大的潜力，可以加速预测性地发现当前统计实验设计中不存在的新型催化剂配方。本观点描述了从催化剂合成的统计实验设计到应用于催化剂优化的遗传算法，以及最终使用实验数据进行随机森林机器学习以发现新型催化剂的选择性示例。最后，本观点还展望了应用于材料发现实验数据的先进机器学习方法。