华北电力大学杨维结副教授：AI绘制固态储氢材料全景导航

速读：如何从众多材料体系中找到满足多目标需求的新材料，是当前固态储氢研究的重要问题。材料是两个层次的指标。固态储氢依靠材料与氢气之间的可逆作用储放氢气，具有安全性高、体积储氢密度高、工作压力相对较低等优势，是氢能安全高效储运的重要技术路径。 trends,challenges,andmachinelearninginsights”（《面向固态储氢的智能设计：趋势、挑战与机器学习洞察》），依托团队自研DigitalHydrogen-S平台构建全局“材料地图”，系统梳理了不同材料体系的发展趋势与性能瓶颈，并讨论了大数据与机器学习在性能预测、材料筛选和逆向设计中的作用，为面向工程需求开展储氢材料智能设计提供参考。随着研究深入，他逐渐感到，这样一个充满未知的科学研究领域，是值得终身深耕的研究方向。

来源：Engineering Journals 发布时间：2026/9/22 18:33:3

华北电力大学杨维结副教授：AI绘制固态储氢材料全景导航 | 专家访谈

氢能是支撑能源绿色低碳转型的重要二次能源，具备广阔应用前景。随着氢能产业发展，如何实现氢的安全、高效、经济储运，成为连接制氢与用氢的重要环节。

固态储氢依靠材料与氢气之间的可逆作用储放氢气，具有安全性高、体积储氢密度高、工作压力相对较低等优势，是氢能安全高效储运的重要技术路径。当前制约其进一步工程应用的核心之一，仍是材料性能难以兼顾：工程上迫切需要同时具备高储氢容量、适宜工作温度、低成本和长循环寿命的材料。

如何从众多材料体系中找到满足多目标需求的新材料，是当前固态储氢研究的重要问题。针对这一问题，华北电力大学杨维结副教授日前在中国工程院Engineering集群子刊 ENGINEERING Chemical Engineering 发表综述文章“Toward intelligent design of solid-state hydrogen storage: trends, challenges, and machine learning insights”（《面向固态储氢的智能设计：趋势、挑战与机器学习洞察》），依托团队自研 Digital Hydrogen-S 平台构建全局“材料地图”，系统梳理了不同材料体系的发展趋势与性能瓶颈，并讨论了大数据与机器学习在性能预测、材料筛选和逆向设计中的作用，为面向工程需求开展储氢材料智能设计提供参考。

杨维结2019年博士毕业于华北电力大学并留校任教，前期从事燃煤污染物控制研究。2022年，学校获批设立全国首个氢能科学与工程专业，他结合此前储氢计算研究积累，逐步将研究重心转向固态储氢及数据驱动材料设计。随着研究深入，他逐渐感到，这样一个充满未知的科学研究领域，是值得终身深耕的研究方向。

围绕上述综述文章，我们近日特别邀请到了论文通讯作者杨维结副教授，就研究亮点、材料设计、AI赋能与工业应用等话题展开深度访谈。以下为专访内容。

作者介绍

杨维结

杨维结，男，1990年生，汉族，河北唐山人，华北电力大学氢能科学与工程教研室主任。研究方向为“机理-数据”双驱动的氢储能材料设计与装备研发，包括Digital Hydron-S固态储氢数据库、储氢合金正逆设计平台FIND、MgH2脱氢催化剂设计平台Cat-MH等，发现镁基固态储氢材料脱氢过程的“决堤效应”现象。目前，以第一/通讯共发表100余篇，包括6篇封面论文，Google学术总被引10000余次，H指数55。入选斯坦福大学评选的Top 2% Scientists Worldwide榜单（2022~2025年），2025年科睿唯安全球高被引学者榜单。获得2023年中国检验检测学会科学技术进步二等奖《储氢系统关键检测技术研究及标准化》（排名3/15）。担任 AI Agent 期刊副主编。

作者专访

成果聚焦

Q：请您用通俗的语言，概括这项工作的核心创新点。

杨维结：通俗地说，我想做的是把分散在文献中的储氢研究，连成一张能够帮助我们判断方向的“材料地图”。固态储氢可以理解为让材料把氢储存起来，需要时再释放。但一种材料即使储氢量很高，也可能需要很高的温度才能把氢放出来；另一种材料吸放氢很方便，却可能比较重或容量有限。怎样同时兼顾这些要求，是这个领域长期面对的难题。

这篇综述的特色是从数据出发审视这些难题。我们依托Digital Hydrogen-S平台，把已有研究放到更大的材料范围中比较，梳理不同体系的发展趋势和性能瓶颈，再讨论机器学习在性能预测、材料筛选和逆向设计中的作用。这样的梳理能够帮助研究者判断，哪些方向已经得到充分探索，哪些问题仍然值得投入。

我们也关注AI如何帮助理解材料内部的反应。贯穿这篇综述的思路，是把数据分析、机理认识和实验验证连接起来，让下一步材料设计有更明确的依据。

Q：这项研究希望解决什么科学问题，是否有明确的工程应用场景？

杨维结：我最关心的是，能不能找到一条有规律可循的路径，让材料既能储存足够多的氢，又能在应用所需的温度、压力和时间范围内把氢放出来，并且经得起反复使用。这背后涉及热力学、动力学以及结构稳定性的共同作用。

我一直觉得，材料评价需要放到具体场景里。材料本身的储氢质量分数，与包括容器、换热器等部件在内的整套装置储氢质量分数，是两个层次的指标。对材料有利的结果，最终还要经过装备和系统层面的检验。这篇综述提供的是判断问题和选择路线的依据，距离工程应用还需要持续验证。

Q：请分享一下，为什么选择 ENGINEERING Chemical Engineering 来发表这项工作？

杨维结：响应国家的号召，把论文写在祖国大地上，当然这个论文主题也与这本期刊的收稿范畴高度吻合。这篇工作涉及材料、化学反应、数据方法以及工程应用之间的联系，我希望它能够与关注化学工程和能源材料的读者展开交流。选择 ENGINEERING Chemical Engineering ，也是希望借助这样一个交流平台，把固态储氢研究中积累的问题和AI带来的新方法放在一起讨论。

我期待实验研究者能够从中找到值得验证的方向，计算和算法研究者能够更加理解储氢材料的实际约束，工程研究者也能把应用需求传递给材料设计。对我来说，文章能否促成这些交流，是选择发表平台时很重要的考虑。

科研纵深

Q：您2019年在华北电力大学博士毕业、之后留校任教，博士期间做的是单原子催化剂用于燃煤电站污染物控制，后来学校成立了全国首个氢能科学与工程专业，您转向固态储氢，2022年起又开始做数据库和机器学习。从污染物催化到储氢、从第一性原理计算到数据驱动，这两次转向分别是怎么发生的？

杨维结：回头看，这两次转向都与研究问题的变化有关。博士期间，我主要利用第一性原理计算研究单原子催化剂，关注它们在燃煤电站污染物控制中的作用。那段训练让我形成了一种习惯：面对一个性能现象，尽量追问到活性位点、电子结构和反应能垒这些更基础的层面。2019年博士毕业后留校任教，到2022年期间仍一直开展单原子催化和污染物控制方向。

随着学校布局氢能，于2022年获批全国首个氢能科学与工程专业，我开始把更多精力投入固态储氢。选择这个方向是有两个原因：一个是机缘巧合，和朋友合作了一篇固态储氢的纯计算工作，算是与固态储氢结缘。

随着研究深入，我感受到了固态储氢充满学科的美丽。这个方向比表面催化更加复杂，让我觉得很有挑战性。这样一个充满了未知的科学问题，应该是可以干一辈子的方向。

另外一个原因，氢能的发展过程中，氢储存始终是一个卡脖子问题。前辈们前赴后继做了很多年，国内的固态储氢研究取得了很不错的成绩，但是距离应用还是面临诸多挑战。

进入这个方向以后，我发现原来的研究积累有很强的延续性。同时，储氢又要求我把容量、热管理、循环稳定性和工程条件一起考虑，研究视野也被进一步打开。

我2021年开始接触机器学习做催化剂，2023年正式决定做数据库。当时这个选择也和另一个很实际的困难有关：材料组合太多，逐个计算、逐个尝试的成本很高；文献里已经积累了大量结果，却散落在不同文章和图表中，很难直接进行系统比较。

之所以能够开展这个工作，也和我们学校的氢能专业密不可分，首届氢能的本科生有20余名参与Digital Hydrogen-S数据库建设工作，在这其中他们付出了很多，也收获了很多。

Q：您曾经提到，AI赋能材料设计领域水平参差不齐，审稿中常见“小样本大模型”“过拟合严重”“模板式水文”。作为审稿人以及多个期刊的编委，您认为期刊和评审环节应该建立什么样的门槛？一篇好的“AI+材料”论文的最低标准是什么？

杨维结：我希望期刊和评审建立的是证据门槛。模型是否复杂、数据量是否看起来很大，都需要放回具体科学问题中判断。小样本研究也可能有价值，关键是研究目标与数据能力相匹配，并且诚实说明结论能适用到哪里。

首先，数据应当可追溯。作者需要讲清来源、样本定义、实验条件、数据清洗和重复处理方式。对于材料研究，尤其要区分独立材料、独立实验和同一曲线上的多个点。样本到底是什么，必须在评价模型以前说明白。

其次，验证方式应当与论文声称的用途一致。应当根据任务采用按材料、文献或时间等方式划分的验证，并把特征筛选、预处理和调参限制在训练过程内。测试数据要真正发挥检验作用。

第三，应当与合理的简单方法比较，同时交代误差和适用范围。除了总体相关性，还要看实际误差有多大、哪些样本预测得差、面对陌生成分时是否仍然可信。一张漂亮的拟合图，提供的信息远远不够。

第四，论文需要增加对材料问题的认识，或者为实验决策提供可检验的依据。特征重要性分析可以提示线索，但它本身不能证明因果机理。若声称发现了新材料或新机制，就需要与该主张相称的独立证据。

落实到期刊，我建议建立简明的数据与模型报告规范，并尽量让材料领域和机器学习领域的审稿专长相互补充。我的最低标准是：问题明确、数据可信、验证独立、过程可复现，结论不超出证据。

经验分享

Q：作为华北电力大学氢能科学与工程教研室主任，您怎么看待这个新兴专业的人才培养？在AI能写代码、能读文献、能设计实验的年代，您希望您的学生毕业时具备哪一种AI拿不走的能力？

杨维结：氢能科学与工程是一个交叉性很强的专业。培养学生时，我希望他们能够理解制氢、储运和利用之间的联系，并能用热力学、传热传质、材料和工程分析的基础知识，处理一个具体问题。AI应当进入这个解决问题的过程，成为学生能够熟练使用的工具。

如果一定要概括一种最重要的能力，我希望是对真实问题作出独立判断，并对判断负责。具体来说，就是能够判断什么问题值得研究，需要哪些证据，AI给出的结果在什么条件下成立，以及怎样设计计算或实验去检验它。

我们会把教材、数据库和模型平台结合起来，让学生围绕具体课题完成查资料、整理数据、建立模型、验证结果和展示成果的过程。我希望学生毕业时能够把专业知识、数字工具和实际需求联系起来，清楚自己做出的每一个选择有什么依据。工具越强，提出好问题、识别错误和承担责任的能力就越重要。

Q：翻看您的履历，可以看到您的学术发表很出色，以第一/通讯作者身份共发表100余篇论文，Google学术总被引10000余次，还入选2025年科睿唯安全球高被引学者榜单，您有什么心得可以分享吗？

杨维结：感谢关注。对我来说，这些认可首先来自团队长期的共同投入，也离不开老师、同事、学生和合作伙伴的支持。尤其是数据库建设和交叉研究，很多关键工作都需要耐心地整理、核对和反复验证，成果背后有大量不太显眼的日常积累。

如果谈心得，我比较看重研究的连续性。围绕一个自己认为重要的问题持续追问，前一项工作的结果会成为后一项工作的基础。比如，机理研究帮助我们理解材料为什么受限，数据库帮助我们判断问题是否具有普遍性，模型帮助我们筛选方向，实验再把新的认识反馈回来。这样逐步积累，研究之间就会形成相互支撑的关系。

第二是愿意把基础工作做扎实。一篇论文有明确的完成节点，但数据质量、计算规范、可复用的代码和学生的研究能力，需要更长时间建设。它们未必立刻带来醒目的结果，却会影响团队今后能够提出什么问题、做成什么事情。

第三是保持学习的能力。我自己的研究方法一直在扩展，也经常需要学习新工具。对新技术，我愿意积极尝试，同时会反复问它是否帮助我们增加了认识、减少了试错，或者解决了原来难以处理的问题。我更希望自己的工作能够被同行继续使用，也希望学生在参与这些工作的过程中，逐渐形成独立开展研究的能力。

Q：最后，请用一句话凝练您最想传递给青年学者的科研信念。

杨维结：不忘初心地追问科学问题，与时俱进地寻找解决方法。