在催化化学领域,理性设计催化剂,从理论上对催化剂进行解释、预测与筛选一直是研究者广泛关注的课题,具有非常重要的科学意义与应用价值。近年来,科学计算数据飞速增长的新挑战为基于数据科学的研究范式提供了契机,基于机器学习算法发展,尤其是描述符方法的应用,让研究者有机会从大量数据中提取规律,获得对传统物理化学问题新的科学认识,更进一步地,为筛选优质性能的催化剂提供坚实基础。基于化学数据库与描述符方法,我们对于合金形成能问题、分子在纯金属表面活化问题进行了研究,论文的主要内容如下:(1)通过已发布的实验合金形成能数据,建立了AB2组成合金催化剂形成能的描述符模型,经过误差检验,确认此模型优于传统的合金形成能Miedema公式及其衍生模型。通过敏感性分析发现:在绝大多数的B金属上,A、B两种原子的原子核电荷数差ΔZ是影响形成能的最重要因素;而在有些情况下,A金属原子体积V、原子体积之差ΔV至少一个在AB2合金形成能也起主导作用;相比ΔZ、V、ΔV,金属A-B的形成能之差ΔH、金属A的电负性χ的敏感性相对较弱,对能量变化的总贡献较少。对描述符的分析说明了合金形成能问题的复杂性,也基于描述符对其他AB2合金形成能进行了预测。(2)在确认反应热是活化能重要的线性标度关系(BEP关系)的基础上,建立了分子在金属表面活化的描述符。通过对于COOH*→CO2*+H*这一BEP不适用的活化反应中进行测试,我们发现描述符模型能非常恰当地描述BEP无法准确描述的活化反应;而对于BEP适用下的甲醇分解(CH3OH*→CH2OH*+H*反应)的数据,用大部分数值适中的活化能拟合了描述符模型的系数,随后在剩余的金属上进行了测试,取得比BEP要更好的结果。进一步地,分析了表面能与功函这两种在模型中出现物理量的意义。该工作提出了活化能的描述符,展示了其预测流程。