中国科大在机器学习结合统计分析助力电催化剂研发取得进展

无序固溶体合金具有丰富的催化位点，因此可以被用于催化多种重要的化学反应。然而,也正是由于其多位点的特性，给此类催化剂活性位点的局部结构解析和总体活性的理论预测带来巨大的挑战。具体表现在，模拟时采用随机位点策略，数据量庞大，需要消耗大量的计算资源，且难以直接分析结果。使用机器学习辅助密度泛函理论计算的策略已被证实可以大幅提高计算效率，同时多种统计方法也在部分合金催化体系中被证明是分析大量数据的有力工具。然而，目前对于无序固溶体合金的研究对于总体活性的计算方法仍不全面。因此，发展有效、准确的多位点合金催化剂总体活性的计算描述方法是指导实验上实现合金组分和比例筛选、可控合成的关键。

近期，中国科学技术大学国家同步辐射实验室宋礼教授和化学与材料科学学院武晓君教授两个团队合作，建立了适用于描述多位点合金催化剂总体活性的理论模型，提出了等效位点比例的统计概念，结合机器学习和统计分析实现了Pt-Ru无序固溶体电催化析氢中多位点贡献的定量描述。相关成果以“Analyzing Active Site and Predicting Overall Activity of Alloy Catalysts”为题发表在国际学术期刊《Journal of the American Chemical Society》上
图：SelectedastheSupplementaryJournalCover

该研究以多位点Pt-Ru无序固溶体合金为模型体系，首先使用基于密度泛函理论和机器学习的高通量计算方法,获得了大量随机位点吸附氢原子的自由能数据。随后,使用元素径向分布和位点能量分布两种统计方式，建立了位点微观结构和本征活性之间的关系,发现Pt3|Ru1和Pt3|Ru3是电催化析氢反应HER的活跃位点。在此基础上，创新地引入了等效位点比例的概念,揭示了位点数量、本征活性与催化剂的总体活性的定量关系。相关的预测表明,在合金中Ru浓度相对较低时, 等效位点比例达到最大值；当Ru元素含量在20%到30%之间时,Pt3|Ru1和Pt3|Ru3位点的数量显著增加。随后实验上PtRu合金的催化比活性测试结果与模型预测的结果高度一致，证明了作者提出的统计方法和等效位点比例有望成为解析电催化活性位点结构和定量描述总体活性的有效手段。

图：机器学习和统计分析指导催化剂的高通量筛选与设计

在前期的研究中，团队使用了统计分析方法识别和筛选具有多元素组成的二维层状材料体系，并成功应用于硫还原反应中催化剂的高通量筛选。相关成果以＂High-Throughput Screening of Sulfur Reduction Reaction CatalystsUtilizing Electronic Fingerprint Similarity＂为题发表在国际学术期刊《JACSAu》上（https://doi.org/10.1021/jacsau.3c00710）。该研究以具有丰富组分和表面官能团的二维过渡金属碳化物/氮化物为对象，通过比对基准催化剂费米面附近态密度的电子指纹相似性，对420种MXene进行了快速筛选，得到了30种高性能的候选材料。随后，利用电催化硫还原反应SRR中材料吉布斯自由能的计算，证明了超过93%的筛选准确率，说明电子指纹相似性有望用于高效催化剂的高通量筛选。

上述研究为电催化剂的多组分效应、多位点作用及反应路径等提供了重要见解,所开发的统计方法和机器学习模型为催化剂的高通量筛选、功能调控及智能研发提供了有用的基础。