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：冷冻电镜

关键性能：GSAMs能显著丰富蛋白分子在无定形冰中的取向，有利于实现单颗粒冷冻电镜的高分辨结构解析

标签属性：冷冻电镜

应用场景：光催化转换

关键性能：通过电感耦合等离子体（ICP）测定的Cu2O/TiO2中理想的Cu质量分数在0.075%至0.55%之间，最高CO产量为10.22，明显超过纯TiO2

标签属性：光催化

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：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：石墨烯

关键性能：共价生长法使得材料具有连续的晶体结构，且与非共价组装相比，其跨层电导率实现了100倍的提升

标签属性：石墨烯

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：燃料电池

关键性能：HEA HPs的甲酸氧化反应（FAOR）可达到27.2 mA cm-2的比活性和7.1 A mgPt-1的质量活性，高MEA功率密度使HEA HP成为迄今为止所有报道的DFAFC催化剂中最高效的纳米材料之一

标签属性：燃料电池 催化

应用场景：增材制造高性能钛合金设计

关键性能：从只含α′相时的1.2 GPa提高到α′相和FCC相体积分数基本相等时的1.9 GPa

标签属性：钛合金

应用场景：校正密度泛函理论（DFT）的计算数据

关键性能：形成焓预测数据（基于PBE泛函）与实验数据的误差仅为~0.06 eV/atom

标签属性：机器学习 材料计算模拟

应用场景： 锌离子电池

关键性能：良好的循环稳定性（20 mA cm-2，3000次循环）、极低的成核过电势（~79.1 mV）和析氢量0.002 mmol h-1 cm-2

标签属性：水系锌金属电池 锌离子电池

应用场景：固体氧化物燃料电池

关键性能：ISA的极化分布与最佳结构有关，由于电子对的偏移，氧空位（VO）形成能和迁移势垒降低

标签属性：机器学习 氧还原电极设计

应用场景：CO2环加成反应

关键性能：该催化剂在经过10个循环150小时测试后，其产物苯乙烯环状碳酸酯（SC）仍然保持了98%的产率

标签属性：CO2环加成反应 单原子催化剂

应用场景：直接合成H2O2

关键性能：产率高达115 mol gPd-1 h-1，选择性超过99%，超过了已报道的Pd基催化剂的性能

标签属性：氧加氢制H2O2 催化剂

应用场景：污水处理

关键性能：产生强氧化自由基实现对目标污染物雷尼替丁的长效降解（100%）。有效降解速率高达1.06 m/s

标签属性：污水处理

应用场景：抗氧化剂

关键性能：首创性地提出了一种“只需加水”的便捷气体治疗策略，同时利用理论计算揭示了二维氢硅纳米片的本征产氢机制，为纳米材料介导的H2治疗提供了新颖而有效的方式

标签属性：制氢

应用场景：锕系金属氮化物

关键性能：因过渡金属的稳定化作用，五价铀氮化物2和六价铀氮化物3均表现出良好的稳定性

标签属性：锕系金属氮化物

应用场景：电催化剂

关键性能：保证Mo2C/MoC/CNT可以达到1500 mA cm−2的电流密度（255 mV），并且可以在500和1000 mA cm−2电流密度下分别稳定工作14天

标签属性：电催化剂 薄膜电催化

应用场景：CO2RR

关键性能：CO2转化为C2+的FE为89±4%，单程碳效率为60±2%。

标签属性：析氢反应 CO2电还原 CO2RR

应用场景：生物系统中蛋白质乙酰化结构分析

关键性能：酰胺基、羧基等基团的红外和拉曼特征谱带能用于有效识别不同的乙酰化类型

标签属性：红外