精心设计的Pt=N2=FeABA催化剂在0.95 V的半波电位下相对于商业Pt/C实现了近2个数量级的动力学电流密度提升，基建筑键4电子途径选择性效率接近99%，基建筑键是应用于锌空气电池能量装置的潜在ORR催化剂之一。
原文详情：于中业机器学习预测分子结构，NatureReviewsChemistry最新综述。通过本专题，国标让我们来详细梳理机器学习在材料科学研究中的最新研究成果以及把握未来研究的发展动向。
2、准的再迈LocalTransform对于Top-K产品的预测精度相比之前基于图的方法有了显著的提升，准的再迈Top-K准确率是用来计算预测结果中概率最大的前K个结果包含正确标签的占比。出关原文详情：Nature子刊：机器学习助力化学家精准预测有机反应结果7. NatureMaterials：通过计算发现和理解材料美国加州大学伯克利分校的雷干城（StevenG.Louie）院士通过四篇评论文章对计算材料设计的四个主要领域进行了深入的回顾。基于该模板，基建筑键研究设计了一种化学驱动的图神经网络机器智能平台来预测反应产物，研究人员将其命名为LocalTransform。
于中业相关研究成果以Extendingmachinelearningbeyondinteratomicpotentialsforpredictingmolecularproperties为题发表在NatureReviewsChemistry上。原文详情：国标PRB：国标超越密度泛函理论的机器学习力场6. Nature子刊：机器学习助力化学家精准预测有机反应结果在此，韩国国际科学技术院化学与生物分子工程系YousungJung教授团队设计了一种广义反应模板（generalizedreactiontemplate,GRT），这是一种仅通过原子映射法描述反应前后原子构型局部变化，而没有特定原子类型或官能团信息的反应模板。
该演示是可访问的、准的再迈可扩展的、模块化的和可重复的，使其成为SDL概念的低成本原型设计和在低风险环境中学习SDL原理的理想候选。
这些结果表明，出关机器学习加速了发现具有特殊性质的可合成材料的途径。基建筑键（a）与PANI结合的NO3- /Cl-的原子巴德电荷。
在这种背景下，于中业将硝酸盐电化学转化为氨，作为能源和碳密集型Haber-Bosch工艺的一种可持续的替代方案。在方案B中，国标为了克服低硝酸盐浓度和电导率，进行了一个完整的吸附和再生循环以产生浓缩的局部硝酸盐流，然后可以通过同一电极对其进行电催化。
准的再迈优于已在类似低硝酸盐浓度下评估的其他电催化系统。从硝酸盐修复的角度来看，出关这项研究提供了一种高效的、无化学物的选择工艺，它结合了氨生成的好处。