高性能电催化剂的合理设计对于应对全球能源和环境挑战至关重要。然而，由于我们对催化剂结构和实际操作条件下的反应路径了解有限，进展常常受到阻碍。尽管密度泛函理论（DFT）提供了宝贵的原子尺度见解，但其高昂的计算成本限制了模拟只能使用简化模型和较短的时间尺度。这种时空差距阻碍了对动态催化剂重构、显式溶剂效应以及电化固液界面（ESLI）上复杂因素相互作用的准确建模。
机器学习（ML）作为第四种科学范式应运而生，为克服这些限制提供了强大的工具。在计算电催化领域，ML主要在三个相互关联的方面推动了该领域的发展：（i）数据驱动的催化剂筛选和逆向设计，加速了化学空间的探索；（ii）机器学习势（MLPs），能够在以前无法达到的时空尺度上进行真实模拟；（iii）大型语言模型（LLMs）和人工智能（AI）代理，自动化并协调研究工作流程。
第一个方向已经取得了显著进展，尽管仍存在重大挑战1, 2。基于吸附能和电子结构特征等描述符训练的模型驱动的筛选方法，能够快速探索广阔的化学空间，这已经得到广泛认可3, 4。可解释的方法，如符号回归方法Sure Independence Screening and Sparsifying Operator（SISSO）[5]，已经识别出具有物理意义的描述符[6]。然而，这些描述符的可转移性和可解释方法提供的见解的新颖性受到了质疑7, 8。一些研究者进一步质疑是否通过彻底的化学空间探索一定能找到更优的催化剂[8]。最近，该领域从正向设计发展到逆向设计，其中深度生成模型（如扩散模型）可以根据目标属性预测结构9, 10, 11, 12∗。尽管这些筛选和设计方法具有能力，但它们主要基于简化的、真空环境下的表示，这留下了一个从真空到现实的关键差距，我们将在下文详细阐述。
本文重点讨论第二个方向——即在操作条件下实现电化界面真实模拟的恒电势MLPs。然后，我们展望LLMs和AI代理如何重塑研究工作流程，讨论实现AI加速电催化剂发现所面临的开放性挑战。
