为了应对智能电视的普及，电网智能盒子厂商也在积极探索与其他智能家居设备相连接，将应用场景从家庭娱乐扩展到视频、办公、教育、健身等场景

投资态龙（3）利用DFT计算证明了FeNiLDH与界面层之间相互协同增强作用。本项工作不仅提供了可以作为OER催化剂基底材料的铁镍合金片，进入竞争也对界面层在催化过程中的增强作用进行机理研究，进入竞争进而为降低反应过电势的OER催化剂的研究提供了新的策略。

【图文导读】 图1不同基底上铁镍层状双氢氧化物纳米片合成示意图图2不同基底上铁镍双氢氧化物纳米片阵列形貌与结构表征(a-c)FeNiLDH纳米片生长于铁镍合金片、新常铁片及镍片基底上的SEM图像(d)FeNiLDH纳米片生长于铁镍合金片、新常铁片及镍片基底上的XRD表征(e-f)FeNiLDH纳米片生长于铁镍合金片、铁片及镍片基底上的HAADF-STEM及STEM-EDX图像图3不同基底上铁镍双氢氧化物纳米片阵列XPS表征(a-c)FeNiLDH纳米片生长于不同基底上的XPS全谱图(d-f)FeNiLDH纳米片生长于不同基底上的Fe元素的XPS谱图(g-i)FeNiLDH纳米片生长于不同基底上的Ni元素的XPS谱图图4催化剂的OER催化活性表征(a)催化剂OER性能的CV表征(b)在特定电势下催化剂质量活性（A/g）对比柱状图(c)在特定电势下催化剂的TOFtm对比柱状图(d)催化剂Tafel曲线图(e)催化剂Nyquist曲线图(f)催化剂在5V电压下的i-t测试曲线图5DFT模拟计算表征及OER催化过程示意图(a-b)OH在FeNiLDH、FeNiLDH与界面层的吸附位点示意图(c)FeNiLDH、FeNiLDH与界面层的OH吸附能对比图(d)FeNiLDH、FeNiLDH与界面层的稳定吸附位点Ni的d能带中心和d带密度对比图(e)OER在催化剂上的反应过程示意图【小结】该研究制备了原位垂直生长在不同金属基底箔片上的FeNiLDH纳米片阵列，并在FeNi合金基底上得到最佳OER性能催化剂。同时，中脱通过密度泛函理论的计算对界面层的催化机理进行计算，中脱可得FeNiLDH与铁镍合金基底间的生成的铁镍氢氧化物界面层，相比于单一的铁镍层状双氢氧化物，对于OH-具有更好的吸附效应,进而促进了OER反应进行。电网具有仅90mV的起始过电势与界面增强的催化活性（电流密度为10mA/cm2的过电势为130mV）以及较持久的稳定性。

目前，投资态龙所报道的高活性的LDH催化剂，投资态龙采用镍泡沫、石墨烯、碳纳米管等作基底材料，仍需要较高的过电势来驱动反应，并且缺乏对于基底材料在催化过程中发挥作用的机理研究。尽管关于OER的非贵金属电催化剂的研究已经取得较大进展，进入竞争然而设计并合成能够在较低过电势驱动较大电流密度的OER催化剂仍具有较大挑战。

新常极低的反应过电势可以归结为以下三点：（1）原位垂直生长的二维片状结构为OER提供更多的活性位点。

欢迎大家到材料人宣传科技成果并对文献进行深入解读，中脱投稿邮箱：[email protected].投稿以及内容合作可加编辑微信：cailiaokefu.参考文献[1]K.T.Butler,D.W.Davies,H.Cartwright,O.Isayev,A.Walsh,Nature,559(2018)547.[2]D.-H.Kim,T.J.Kim,X.Wang,M.Kim,Y.-J.Quan,J.W.Oh,S.-H.Min,H.Kim,B.Bhandari,I.Yang,InternationalJournalofPrecisionEngineeringandManufacturing-GreenTechnology,5(2018)555-568.[3]周子扬,电子世界,(2017)72-73.[4]O.Isayev,C.Oses,C.Toher,E.Gossett,S.Curtarolo,A.Tropsha,Naturecommunications,8(2017)15679.[5]V.Stanev,C.Oses,A.G.Kusne,E.Rodriguez,J.Paglione,S.Curtarolo,I.Takeuchi,npjComputationalMaterials,4(2018)29.[6]A.Rovinelli,M.D.Sangid,H.Proudhon,W.Ludwig,npjComputationalMaterials,4(2018)35.[7]J.C.Agar,Y.Cao,B.Naul,S.Pandya,S.vanderWalt,A.I.Luo,J.T.Maher,N.Balke,S.Jesse,S.V.Kalinin,AdvancedMaterials,30(2018)1800701.[8]R.K.Vasudevan,N.Laanait,E.M.Ferragut,K.Wang,D.B.Geohegan,K.Xiao,M.Ziatdinov,S.Jesse,O.Dyck,S.V.Kalinin,npjComputationalMaterials,4(2018)30.[9]A.Maksov,O.Dyck,K.Wang,K.Xiao,D.B.Geohegan,B.G.Sumpter,R.K.Vasudevan,S.Jesse,S.V.Kalinin,M.Ziatdinov,npjComputationalMaterials,5(2019)12.[10]Y.Zhang,C.Ling,NpjComputationalMaterials,4(2018)25.[11]H.Trivedi,V.V.Shvartsman,M.S.Medeiros,R.C.Pullar,D.C.Lupascu,npjComputationalMaterials,4(2018)28.往期回顾：电网认识这些带你轻松上王者——电催化产氧（OER）测试手段解析新能源材料领域常见的碳包覆法——应用及特点单晶培养秘诀——知己知彼，电网对症下方，方能功成。

深度学习算法包括循环神经网络（RNN）、投资态龙卷积神经网络（CNN）等[3]。因此，进入竞争2018年1月，美国加州大学伯克利分校的J.C.Agar[7]等人设计了机器学习工作流程，帮助我们理解和设计铁电材料。

因此，新常复杂的ML算法的应用大大加速对候选高温超导体的搜索。然而，中脱实验产生的数据量、种类、准确性和速度成阶梯式增长，使传统的分析方法变得困难。