Chandrasekaran Pitchai, Chao-Fang Huang, Ting-Yu Lo, Hung-Chung Li, Ming-Der Yang,
and Chih-Ming Chen
ACS Catal. 2026, 16, 5, 4502–4515

國立中興大學 智慧創意工程學士學位學程 李宏中助理教授
國立中興大學 土木工程學系 楊明德終身特聘教授
國立中興大學 化學工程學系 陳志銘終身特聘教授

氫氣具備高能量密度與末端使用近零碳排之優勢，使其成為備受矚目的能源載體。但電催化水分解中的析氧反應（OER）能量障礙高，一直是效率提升的主要瓶頸。高熵材料具多元素協同效應與組成可調等優勢，展現作為OER催化劑之潛力，然而元素組成可調空間龐大，若以傳統試誤法逐一篩選，將耗費大量時間與成本。為縮短材料開發時程，國立中興大學研究團隊導入機器學習（ML）演算法，建立資料驅動的高熵FeCoCrMnCu層狀雙氫氧化物催化劑設計之最佳化流程。本研究系統性調整金屬比例，自行建立70組「元素組成與OER過電位」資料集，避免跨文獻數據收集差異所造成的誤差，並加入交互作用多項式特徵以捕捉多元素協同效應，搭配標準化與特徵篩選提升模型泛化能力。最終以XGBoost迴歸模型進行訓練，透過交叉驗證與超參數搜尋獲得精準的預測表現（R² = 0.84，RMSE = 9.95 mV）。進一步將模型應用於預測虛擬組成空間（總計10,626 種可能之元素組成），快速鎖定最佳配方。經實驗驗證，預測與實驗誤差僅約3%，可使實驗成本降低99.3%。此外，藉由特徵重要度與SHAP分析提升可解釋性。整體而言，本研究以「少量數據實驗＋機器學習預測＋實驗回驗」的策略，展示機器學習結合材料設計在加速新世代電催化劑開發的應用潛力。