此外，新疆对于含有Ir和Ru的纳米颗粒，通过元素映射，还观察到颗粒内异质性，即单个纳米颗粒内具有不同金属分布的子域。

（e）在训练集中具有不同键拓扑的聚类，首座式加用于拟合密度泛函紧密结合（DFTB）框架中的键特异性排斥势。集约图7通过机器学习实现的大规模分子模拟©2022SpringerNature（a）密度泛函理论（DFT）与机器学习（ML）的比例比较。

氢站（c）ACA模型的训练和扩展性集中按大小分布的分子。例如，投运最新版本的ORCA5.0引入了ML优化的DFT集成网格。此外，新疆作者还强调了学习的分子表示类似于量子力学类似物，证明了模型捕获基础物理学的能力，以及讨论了ML模型如何描述非局部量子效应。

最后，首座式加作者编制了一份可用的ML工具箱列表，总结了未解决的挑战和展望了未来的发展。【导读】化学作为在原子、集约分子水平上研究物质的组成、集约结构、性质、转化及其应用的基础自然科学，其源自生活和生产实践，并随着人类社会的进步而不断发展。

氢站ML正在成为经过时间验证代码的重要组成部分。

2.作者编制了一份可用的ML工具箱列表，投运总结了未解决的挑战和展望了未来的发展，证明了本领域的发展正在向由ML增强的基于物理的模型发展。新疆也就是说调整SACs的活性中心密度可以通过协同效应显著改善ORR的电催化性能。

在氧电极上，首座式加电催化剂、电解质和气体的三相界面会影响催化剂的本征活性。单原子Pt的转换频率(TOF)高达6.80s-1 (0.9V)，集约是商用Pt/C的近170倍。

氢站图4 碳支撑高密度双原子催化剂（DACs）的性能优化【3】。Fe-N-CHNS的Eonset和E1/2分别为1.046和0.87V，投运超过Pt/C值(1.03V和0.84V)，即使连续循环10000次，Fe-N-CHNS的E1/2也没有明显衰减。