近日，实验室李小波博士联合利物浦大学、伯明翰大学在国际权威学术期刊Journal of the American Chemical Society上发表了研究论文“Machine Learning Accelerated Exploration of Ternary Organic Heterojunction Photocatalysts for Sacrificial Hydrogen Evolution”。Journal of the American Chemical Society是目前化学领域最具影响力的综合性刊物之一，最新影响因子为15。

太阳能转化一直都是化学、材料领域的热门话题。其中，光催化水分解制氢气可以将光能转化为化学能，是一种绿色清洁的能源获取方式。近年来，有机光催化剂的供体-受体异质结的概念已经被成功地运用于这类水分解光催化剂的设计与筛选。有机材料结构的多样性与多组分体系的自由度，给光催化剂的研究提供了广阔的探索空间，但是其高度的复杂性也为实验设计带来了挑战。

在先前的研究中，李小波博士利用实验室搭建的高通量光催化工作站，引入了一种高通量方法来筛选二元的有机供体-受体异质结光催化剂，从而发现了用于水分解产氢气的高活性催化剂体系（Chem.Commun., 2020, 56, 6790）；高效筛选了光催化合成双氧水有机光催化剂（J.Am.Chem.Soc., 2021, 143, 19287）；进一步结合机器学习首次构建了有机分子产氢性能预测模型（Chem.Sci., 2021, 12, 10742）。在这项新的研究中，李小波博士结合化学材料编码和机器学习方法，引导特定种类组分的三元有机光催化剂的筛选。在给定的有机供体、受体材料范围内，李小波博士设计了两类三元组份体系，即供体-供体-受体或供体-受体-受体，并使用设计好的化学信息和机器学习算法进行推荐，运用高通量实验平台对两批三元催化剂的活性进行测量。其中，性能最高的10个三元有机异质结光催化剂展现出了优异的活性，其氢气产生速率全部超过了500mmolg^-1h^-1。这些催化剂展现出比二元体系更高的活性，并保持了良好的光催化稳定性。

同时，基于已发表的机器学习在光催化材料上的应用，李小波博士提出了一种使用光催化剂分子结构-电子特性信息的编码方法。将多组分体系内每个成分的特征值（包含电子、结构信息）串联，并计算有机分子的相似度矩阵和核函数，有效地将抽象化学信息转换为计算机可读的数字信息，从而提供给机器学习算法进行进一步的研究和推荐。