近年来，以绿氢为代表的零碳能源的推广与使用已成为国家碳中和发展战略的一个重要组成部分，大力发展包括电解水制氢技术在内的绿氢能源是我国能源转型的方向之一。设计和开发高效催化剂是提升电解水制氢（HER）能力的关键因素。非贵金属基的过渡金属磷化物（TMPs）催化剂由于价格低廉、制氢效率高，是最受研究人员关注的新型电解水非贵金属催化剂之一。然而，高活性TMPs催化剂的实验筛选既耗时又具有挑战性。本文通过机器学习结合大数据分析，探究了支持向量回归（SVR）、K近邻（KNN）、随机森林回归（RF）和极端梯度提升（XGBoost）四种机器学习算法对电解水析氢反应性能的预测能力。在机器学习过程中，对文献报道的过渡金属磷化物催化剂上的电解水析氢反应性能进行分析。通过RMSE和R2评估四种算法后发现RF算法对电解水析氢中的过电位具有优异的预测能力，而XGBoost算法则对Tafel斜率具有较好的预测能力。结果表明，在催化剂组成方面，Ni、Co和Fe元素含量对催化性能影响最大，因此有望通过精细调整，设计并制备出高活性的催化剂。

李宇明,徐砚文,王焕焕,等.机器学习辅助非贵金属基过渡金属磷化物电解水制氢研究[J/OL].燃料化学学报(中英文),1-11[2025-02-14].http://kns.cnki.net/kcms/detail/14.1410.TQ.20250213.0911.006.html.