应用场景：深度学习

关键性能：由此方法得到的原子轨道基组哈密顿量不仅可以准确地重复出平面波方法计算得到的电子结构信息，还能够直接适配原有的DeepH框架并训练得到准确的神经网络模型。

标签属性：机器学习

应用场景：锂离子电池

关键性能：经Mg掺杂改性后的超高镍材料实现了优异的高电压储锂结构稳定性

标签属性：原位

应用场景：深度学习电子结构计算

关键性能：能在零训练数据的情形下利用基本物理原理实现DeepH优化学习。该方法通过在神经网络中嵌入物理规则，巧妙地将神经网络与变分DFT算法结合，形成了一种名为“神经网络DFT”的无监督学习框架。DeepH-Zero在模型精度和泛化能力方面显著超越了传统监督学习框架，它能够在不依赖任何训练计算数据的情况下，实现对材料物性的精准预测

标签属性：机器学习

应用场景：合成H2O2

关键性能：可以在约2.1 V的低电池电压和400 mA cm-2的电流密度下连续稳定生产高达7wt%的纯H2O2水溶液超过200小时

标签属性：催化

应用场景：燃料电池

关键性能：以RuCoOx@LLCF为阳极的PEM电解槽在1.73 V时即可达到2 A cm-2的电流密度，在2.0 V时达到3 A cm-2的电流密度，且两种催化剂稳定运行250 h未见衰减

标签属性：燃料电池

应用场景：电催化

关键性能：在最优电势-0.98 V vs. RHE下的13 h稳定性测试中，formate选择性接近100%，电流密度为-300 mA cm-2

标签属性：电解液

应用场景：催化

关键性能：由五种金属(Fe, Mn, Co, Ni和Cu)和两种氮源组成，在碱性环境中表现出超高的ORR和OER活性，分别超过了最先进的混合贵金属催化剂和碳基催化剂

标签属性：催化

应用场景：发光材料

关键性能：针对多芳基丙烷构建了非价键共轭与多级空间相互作用和簇发光性能间的构效关系；实现了空间相互作用的精准调控；实现了多芳基丙烷的高效簇发光

标签属性：发光材料

应用场景：水系锌离子电池

关键性能：铵根插层五氧化二钒（NH4+-V2O5）正极材料的比容量仍维持在101.0 mA h g-1，且充电时间仅需18 s

标签属性：锌离子电池

应用场景：电解制氢

关键性能：在0.5 A cm-2的工业电流密度下过电位仅为292 mV

标签属性：电解制氢

应用场景：确定材料的微结构

关键性能：仅需要非常少的第一性原理计算就可以快速找到热力学稳定的结构

标签属性：机器学习 第一性原理

应用场景：高熵合金

关键性能：该研究合成的PdCuAuAgBiIn高熵合金气凝胶催化剂具有优异的CO2RR途径催化性能，优于PdCuAuAgBiIn高熵合金颗粒（HEAPs）和Pd MAs

标签属性：高熵合金

应用场景：催化剂

关键性能：通过在原子尺度上对活性位点的几何构型进行优化设计，实现了对电催化剂电荷、自旋、轨道构型等性质的调控，为LSBs多功能催化剂的研究提供了新思路

标签属性：催化

应用场景：高熵材料精准制备

关键性能：该方法可拓展制备17种高熵纳米线

标签属性：高熵合金

应用场景：狄拉克半金属

关键性能：预测了双层50%自插层相的超导特性，以及由自插层效应导致的电声耦合强度的增强

标签属性：超晶格 金属 狄拉克半金属

应用场景：vdW层状材料

关键性能：能够定量求解vdW材料中每一层的剪切形变和层间剪切热形变

标签属性：层状材料 范德华力 电子结构 层间变形

应用场景：电化学锂插层

关键性能：在10 mA cm-2的电流密度下驱动创纪录的156 mV的过电位，同时在70小时计时电位测试中表现出优异的耐久性

标签属性：电化学锂插层 析氧反应

应用场景：热电材料

关键性能：分析了三种不同Pyrite型二元硫化物的热学和电学输运性质，发现它们均具有良好的热电性能；分析了与原子成键、晶格振动和电子结构分布间的热电趋势

标签属性：热电材料 金属原子

应用场景：金刚石烯

关键性能：为合成更稳定、功能更强的金刚石烯提供了新途径

标签属性：金刚石烯 石墨烯 纳米光电器件

应用场景：阳极催化剂

关键性能：含氧阴离子POx优化了Ni位点的d带中心，有效提升了电催化活性

标签属性：电催化剂 电解水绿色制氢 阳极催化剂