综述：基于实验与计算数据开发异相催化机器学习方法

本综述系统评述了机器学习（ML）在异相催化领域的应用进展，通过整合高通量计算（quantum chemistry）与实验数据，建立催化剂性能与物理化学性质的关联模型，重点对比了不同建模方法在特征选择、数据集规模、精度（R2）及反应类型上的差异。

　　

Abstract
机器学习（ML）技术已成为从大规模数据中识别复杂模式的关键工具，尤其在关联催化剂性能与其物理化学性质方面表现突出。异相催化领域的研究目前主要依赖高通量量子化学计算构建ML模型，但仅有少数案例通过实验验证实现了催化剂性能提升。这种局限性可能源于计算研究中简化的催化剂结构以及实验数据集的匮乏。

研究趋势分析
通过对现有研究的系统梳理，发现ML模型在异相催化中的应用呈现以下特征：

1. 输入输出描述符：模型输入多为催化剂的电子结构、表面能等物理化学参数，输出则聚焦转化率、选择性等性能指标；
2. 材料与反应类型：涉及金属氧化物、沸石等材料体系，反应类型涵盖CO₂加氢、甲烷重整等；
3. 数据集规模：计算数据集通常包含10³-10⁵个样本，而实验数据集普遍不足10²；
4. 模型性能：基于R²评估的预测精度显示，计算数据驱动的模型R²>0.8，而实验数据模型R²多低于0.6。

挑战与展望
当前研究的瓶颈在于计算与实验的鸿沟：计算模型常忽略实际催化体系的复杂性（如载体效应、活性位点动态变化），而实验数据又难以满足ML训练需求。未来需开发多尺度建模方法，并建立标准化实验数据库。值得注意的是，部分研究通过融合计算与实验数据，在贵金属替代催化剂设计中实现了R²>0.9的预测精度，这为领域发展提供了重要范式。