近年来，燃料电池作为一种清洁、可再生的能源技术，得到广泛关注。然而，燃料电池的广泛应用面临着氧还原反应（ORR）电催化剂的稳定性问题。具有化学有序结构的L10-PTM间金属纳米晶体（INCs），因其较低的形成能量（例如，有序L10-PTFE的原子形成能约为-0.232 eV）和较高的内聚能，显示出比无序A1-PTM更高的稳定性，这使其成为燃料电池领域里极具潜力的电催化剂之一。然而，实现这种有序结构所需的高温退火处理（通常>600°C）常导致严重的颗粒烧结、形态改变，以及降低其有序度，使得这种电催化剂难以规模化生产，并限制其在燃料电池中的实际应用。 为解决上述问题，本研究团队提出了一种新型的低熔点金属（M’ = Sn，Ga，In）诱导键强度削弱策略，以降低活化能（Ea），促进PTM（M = N...

该研究提出了一种在线学习方法,用于高效构建能够准确模拟复杂系统的代理模型。该方法主要包括三个关键组成部分: 采样策略,用于生成新的训练和测试数据; 学习策略,用于根据训练数据生成候选代理模型; 验证指标,用于评估候选代理模型在测试数据上的有效性。 文中作者使用径向基函数(RBF)插值作为代理模型的响应面。该在线方法旨在确保代理模型包含响应面的所有局部极值点(包括端点),并采用连续验证和更新机制,当代理模型的性能低于有效性阈值时会重新训练。 作者的主要创新点是: 提出了一种优化器驱动的采样策略,可以确保训练数据包含响应面的所有局部极值点,从而保证了长期代理模型的有效性。 设计了一种自动化的在线学习工作流程,包括显式的验证和更新机制,以生成对未来所有数据都有效的代理模型。 研究过程: a) 验证...