Machine Learning-Driven Design of Electrodeposited Metal Oxide Interfaces for Alkaline Hydrogen Evolution
Notice bibliographique
Résumé
Most catalyst design strategies for the hydrogen evolution reaction (HER), including density functional theory (DFT) and high-throughput screening, rely on idealized metallic surfaces or fully alloyed structures. However, in practical electrochemical systems, especially those operating at room temperature and pressure, transition metals tend to exist as partially oxidized species. Despite their prevalence, metal oxides have received limited attention as tunable and scalable HER catalysts under realistic operating conditions. To address this gap, we employed machine learning-based predictions from the Open Catalyst Project (OCP) to guide the synthesis of HER-active metal oxide interfaces on nickel foam substrates. We focused on transition metals such as Cu, Co, and Ni, all of which are low-cost. Instead of forming homogeneous alloys, we developed a sequential electrodeposition method where a primary metal oxide layer is first deposited, followed by a secondary precursor layer to construct a bilayer structure. This design enables interface tuning without requiring high-temperature treatment or complete alloying, making the system highly reproducible and compatible with mild processing. We integrated the catalyst into a heterogeneous electrolysis setup using a gel-mediated interface, wherein a polyvinyl alcohol (PVA)–based gel electrolyte separated the working and counter electrodes while maintaining ionic conductivity and structural integrity. This configuration decoupled ion transport and gas evolution, allowing the system to adapt to air-fed or semi-wet operation. Even with these promising results, we continue to carry out long-term HER testing and Faradaic efficiency evaluations. Meanwhile, the system architecture and material design were optimized based on computational insights from OCP, including surface reactivity trends and hydrogen adsorption energetics. Here, we demonstrate a machine learning-guided electrodeposition approach for constructing HER-active metal oxide interfaces. By leveraging both computational insights and accessible transition metal oxides (Cu, Co, Ni), this strategy provides a robust platform for scalable alkaline hydrogen production.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».