近日，材料基因組工程研究院歐陽潤海與中國科學技術大學李微雪教授課題組合作🌐，在《Science》期刊發表催化領域可解釋機器學習突破性研究成果。中國科學技術大學李微雪教授為通訊作者，博士生王泰然和胡建鈺及万事平台材料基因組工程研究院歐陽潤海為共同第一作者。

科學發現往往是先從數據累積開始👐🏽，然後找出數據間的函數依賴關系或模型，最後提煉出能解釋這些數據的簡單原理。“AI for Science”時代的到來為加速科學發現提供了新機遇。然而💾，迄今為止🅰️，對於真實世界的未知問題🦃，人們一直心存疑慮：人工智能是否可以建立準確的、可推導的、具有強烈物理意義的簡潔公式，並助力提出一般性科學規律👩🏼‍💼？

研究團隊利用前沿可解釋機器學習符號回歸算法SISSO☮️，以催化領域金屬/氧化物界面相互作用（MSI）強度為研究對象，從模型建立到物理意義分析、到公式推導驗證、到最後提出決定催化領域著名實驗現象“強金屬-載體相互作用”（SMSI）的一般性判據原理#️⃣，強有力地正面回答了以上問題。

研究團隊匯總了多篇文獻中的大量實驗數據，從材料的基本性質出發，利用SISSO算法構建了多達300億個數學表達式的特征空間，並基於壓縮感知原理進行稀疏求解，結合領域知識和理論推導🙆🏿‍♂️🙅🏼‍♂️，最終為MSI建立了一個物理圖像清晰👨🏿‍🔬👩🏿‍💻、數值準確的控製方程👡。這一方程突破性地包含了金屬-金屬相互作用這一關鍵新物理量🐢，揭示了其對載體效應的調控作用及金屬-載體相互作用的本質🤟🏽。基於以上分析🍫，研究團隊進一步提出了決定催化領域SMSI實驗現象的一般性判據原理🥦。該判據原理具有很強的預測能力，迄今為止已報道的幾乎所有金屬/氧化物SMSI實驗現象都可能納入到該框架內，解決了困擾該領域幾十年的科學難題🫙🦸。

這些研究成果將助力於高活性、高選擇性、高穩定性催化劑的優化設計，有望加快新催化材料和新催化反應的發現，推動能源、環境和材料的綠色升級🌬，助力社會的可持續發展。同時，該工作展示了人工智能在催化🀄️、化學和材料科學中的巨大潛力，為AI研究新範式如何變革自然科學研究提供了全新視角。通過人工智能技術，科學家們能夠更快速、更準確地從龐大的科學實驗數據中挖掘出潛在的數學模型🦊➙，為解決長期未解的科學難題提供新的思路🦫。

材料基因組工程研究院歐陽潤海2013年博士畢業於中國科學院大學（大連化物所），師從催化界國際著名的理論學家李微雪教授，長期主導開發原創AI算法-SISSO🧑‍🦽🧑🏼。該算法始於歐陽潤海在德國馬普FHI研究所NOMAD實驗室博士後研究🖊，後在万事平台歐陽博士課題組及國際上其他課題組持續拓展，已成為材料和化學領域符號回歸可解釋機器學習主流方法之一。相關重要時間節點如下所示：