近日，河海大学材料科学与工程学院青年教师周盼盼及其合作者在《Advanced Materials》发表了题为“Machine Learning in Solid-State Hydrogen Storage Materials: Challenges and Perspectives”的综述论文，全面总结了机器学习应用于固态储氢材料研究的相关进展，并介绍了所面临的挑战与前景展望。氢作为一种既清洁又丰富的能源媒介，在应对全球能源短缺及气候变化挑战中展现出巨大潜力。与高压气态储氢和低温液态储氢技术相比较，基于储氢材料的固态储氢技术在体积储氢密度和安全性方面展现出显著优势。以往，储氢材料的设计以及成分与性能优化工作大多依赖于耗时费力的实验试错法。目前，数字技术与机器学习的融合彻底革新了材料设计和复杂机制探究的方法，但有关机器学习在储氢材料研究中的前沿探索、应用案例及发展前瞻的系统论述较为缺乏，这一现状制约了高性能新型储氢材料的定制化研发进程。材料科学研究中的机器学习基本流程包括数据集建立、特征工程、模型训练和模型性能评估与应用。应先确定利用机器学习拟解决的主要目标（如优化相结构、调控吸放氢性