详细内容或原文请订阅后点击阅览
可解释的人工智能揭示了金属氢化物中高效储氢的关键原子特征
氢燃料代表了一种清洁能源选择，但使其使用更加主流的一个主要障碍是高效存储。储氢需要极高的压力或极低的温度，这意味着仅存储就会消耗大量能量。这就是为什么可以更有效地储存氢的金属氢化物是一个很有前途的选择。
来源:英国物理学家网首页氢燃料代表了一种清洁能源选择，但使其使用更加主流的一个主要障碍是高效存储。储氢需要极高的压力或极低的温度，这意味着仅存储就会消耗大量能量。这就是为什么可以更有效地储存氢的金属氢化物是一个很有前途的选择。
新的数字平台推动氢研究
为了帮助准确预测储氢材料的性能指标，东北大学的研究人员使用了新建立的数据基础设施：数字氢平台（DigHyd）。 DigHyd 集成了 5,000 多个精心策划的文献实验记录，并由 AI 语言模型支持。该工作发表在《化学科学》杂志上。
储氢 已发布利用这个庞大的数据库，研究人员系统地探索了物理上可解释的模型，发现基本的原子特征——原子质量、电负性、摩尔密度和离子填充因子——成为关键描述符。其他研究人员可以使用它作为指导材料设计过程的工具，而无需在实验室中经历漫长的试错过程来寻找潜在的候选者。
原子质量 潜在候选人“这个白盒回归模型不仅可以做出准确的预测，而且还保持了完整的物理可解释性，”东北大学材料高级研究所 (WPI-AIMR) 的杰出教授李浩解释道。 “这意味着它是透明的，与传统的‘黑盒’机器学习方法不同，在传统的‘黑盒’机器学习方法中，不清楚模型如何计算其最终答案。”