金属-有机 框架（MOFs）是 光催化氢演化（PHER），同时导航其多维空间 参数空间通常依赖于效率较低的试错方法。 虽然机器学习（ML）可以加速发现，但往往 受制于缺乏机制性的“黑箱”预测 透明度和实验验证。在这里，我们建立一个 可解释的机器学习到实验框架，用于理性多元计算工程。 通过在精心策划的数据库上训练CatBoost模型并采用SHapley。 加法解释（SHAP），我们解构了层级影响 关于催化活性中的配体基序。这揭示了合作社 羟基和氨基双功能化的效果，优化了 通过平衡的带隙动态和硬软结合，电子音乐景观 酸碱（HSAB）匹配。在这些洞见的引导下，我们进行了综合 基于苯并芬三烯的混合配体MOF。冠军催化剂的实现 峰值HER率为73.7 mmol g–1 h–1–无外部光敏剂或共催化剂–表现 与算法预测偏差4.18%，提升15.8% 覆盖在数据集之上。这项工作发展出高性能 光催化系统，提供了一种可推广且可解释的系统 数据驱动的先进能源材料发现典范。

https://doi.org/10.1021/jacs.6c05998