Abstrak
Pengembangan katalis paduan entropi tinggi (HEA) terhambat oleh tantangan “ledakan kombinatorial” yang melekat pada desain komponennya yang kompleks. Studi ini menyajikan kerangka kerja throughput tinggi yang dibantu kecerdasan buatan yang mensinergikan model bahasa besar (LLM) untuk penambangan literatur dan algoritma genetika (GA) untuk optimasi iteratif guna mengatasi tantangan ini. Di sini, LLM menganalisis 14.242 publikasi untuk mengidentifikasi 10 elemen kritis yang aktif terhadap reaksi evolusi hidrogen (HER) (Fe, Co, Ni, Pt, dll.), mempersempit kumpulan kandidat menjadi 126 kombinasi HEA berbasis Pt. Eksperimen yang digerakkan oleh GA mengoptimalkan subset ini melalui sintesis material throughput tinggi yang sangat cepat dan penyaringan menggunakan teknologi kejutan termal suhu tinggi yang sangat cepat, mencapai konvergensi dalam 4 iterasi (24 sampel) untuk pengurangan 60% dibandingkan dengan pendekatan GA konvensional. Katalis IrCuNiPdPt/C yang optimal menunjukkan kelebihan potensial HER terendah yang pernah tercatat sebesar 25,5 dan 119 mV pada 10 dan 100 mA cm⁻ 2 , melampaui Pt/C komersial masing-masing sebesar 49% dan 18%, yang menunjukkan stabilitas 300 jam dengan peluruhan yang dapat diabaikan. Karya ini menetapkan strategi pergeseran paradigma yang menjembatani kecerdasan komputasional dan eksperimen otonom, yang memangkas waktu penemuan dari ribuan tahun menjadi beberapa jam, yang memungkinkan desain rasional katalis multikomponen untuk aplikasi energi berkelanjutan.