能源转型是全球发展的核心议题，随着化石燃料带来的环境压力日益加剧，开发高效、清洁的替代能源技术已成为行业共识。在众多可再生能源技术中，电解水制氢因其零碳排放和高能量密度（约39.39 kWh/kg）而备受瞩目。然而，电解水过程中的析氧反应（OER）动力学缓慢，严重制约了整体效率。目前，虽然钌基和铱基等贵金属催化剂性能优异，但其高昂成本和稀缺性限制了大规模应用。因此，开发非贵金属、低成本且高活性的双金属或三金属氧化物催化剂，成为当前材料科学领域的研究热点。
在众多候选材料中，钴基和镍基氧化物因其良好的电化学稳定性和协同效应展现出巨大潜力。然而，如何精准调控双金属体系中各组分的作用机制，以最大化催化活性，一直是行业面临的难题。传统的高通量实验方法耗时费力，且难以在复杂的变量组合中快速找到最优解。近年来，机器学习（ML）作为人工智能的重要分支，凭借其处理复杂数据和高维预测的能力，为加速新型催化剂的筛选与优化提供了革命性的工具。
基于此，一项最新研究首次将机器学习应用于析氧反应催化剂的优化设计。研究团队构建了一种基于聚苯胺/醋酸纤维素（PNCA）静电纺丝纳米纤维，并负载经机器学习优化的Co3O4/NiO“冰棍棒”状纳米复合材料（CNPS@PNCA），将其沉积在泡沫镍基底上。该设计巧妙利用了生物聚合物的高比表面积、良好导电性及无毒特性，结合纳米复合材料的独特形貌，实现了活性位点的最大化均匀暴露。通过机器学习模型对多种组分比例和负载量进行模拟预测，团队成功锁定了最优配方，大幅提升了催化性能。
实验结果表明，这种经机器学习优化的CNPS@PNCA电极表现出卓越的析氧反应活性。其起始电位低至1.41 V（vs. RHE），在10 mA cm⁻²电流密度下的过电位仅为237 mV，Tafel斜率为62.1 mV dec⁻¹，各项指标均优于传统非贵金属催化剂。此外，该催化剂在碱性环境中展现出优异的稳定性，连续运行超过100小时性能无明显衰减。微观结构分析证实，纳米纤维的平滑表面和独特的“冰棍棒”状纳米颗粒排列，不仅促进了离子的均匀传输，还通过强界面相互作用增强了电子传导效率。
对于中国新能源行业而言，这一成果具有重要的参考价值。随着中国在光伏、风电及氢能产业链上的****地位日益巩固，如何利用人工智能技术加速关键材料（如电解槽催化剂）的研发迭代，将是提升产业核心竞争力的关键。该研究展示了“数据驱动材料设计”的可行性，提示国内科研机构和企业在未来应更加注重AI技术与实验科学的深度融合，以缩短从实验室发现到工业化应用的周期，抢占绿色氢能技术的制高点。