9月5日，中国工程院院士、深圳大学特聘教授谢和平团队与香港理工大学教授倪萌、南京工业大学教授邵宗平在《自然—能源》发表研究成果。他们将机器学习、理论计算与陶瓷固体氧化物开发相结合，开发了一种经过实验验证的阴极材料机器学习筛选技术，快速、有效地从庞大的钙钛矿组分中筛选高活性固体氧化物燃料电池阴极材料。
燃煤电厂受卡诺循环限制，单位发电量的煤炭消耗量较高，且难以破解二氧化碳排放的技术瓶颈。谢和平团队提出并正在攻关的近零碳排放直接煤燃料电池发电技术可打破卡诺循环限制，不通过燃烧，而是将改性煤炭的化学能通过电化学氧化过程直接转换为电能，同时在系统内原位实现二氧化碳二次利用，具有能量转换效率高、实现近零碳排放的特点。
谢和平团队将机器学习技术应用于针对固体氧化物燃料电池高活性阴极材料筛选的攻关研究。该研究引入了与高温下钙钛矿氧化物氧还原反应动力学反应速率强烈相关的路易斯酸性强度（ISA）作为描述符，并验证了8种不同回归模型的有效性。
最终，他们从机器自动生成、预测的6871种不同钙钛矿氧化物中筛选出了4种钙钛矿阴极材料并成功合成。在三维可视化示意图中，4种阴极材料的本性活性Lg（ASR）符合与ISA描述符的大致线性趋势。通过弛豫时间分布（DRT）模型与等效电路模型对其电化学交流阻抗谱进行分析与量化，4种钙钛矿氧化物阴极的中频电阻呈现出较大差异，并且具有显著的热激活特征，即表面氧转移相关过程为氧还原反应动力学的决定步骤。
实验表征与密度泛函理论（DFT）计算阐明了钙钛矿氧化物路易斯酸性调控策略提升本征活性机理，揭示了路易斯酸性在A位和B位离子的极化分布引起电子对的偏移，进而降低了氧空位的生成能和迁移能垒的机制。
据科研团队介绍，与高通量DFT计算方法相比，该方法无须建立分子模型，仅通过分子式对回归模型进行训练即可预测材料性能，打破了阴极材料开发效率低的技术壁垒，未来发展还需要加快材料数据库建设。
