Nano Energy: 借力機器學習，實現未來“原子催化劑”快速有效篩選

?

研究亮點

1.提出了量化篩選原子催化劑的有效模型。

2.篩選出了Pt,Pd,Co等有效金屬原子催化劑，與實驗結果高度吻合。

3.對借助機器學習針對復雜原子催化劑體系的篩選進行了展望，為未來的原子催化劑發展提供了有利參考。

石墨炔-單原子催化劑

由于在電化學催化方面的高效性能，碳基負載的過渡金屬原子催化劑做為一種獨特的電催化體系已經在不同催化反應領域體現出了巨大的應用潛力。并且其接近100%的原子利用率，更是可以有效降低過渡金屬的負載量從而大幅降低催化劑成本而因此備受關注。而近些年，由李玉良院士主導的石墨炔體系的快速發展也為“原子催化劑”提供了一種更加穩定的襯底。石墨炔由于其自身具有豐富的碳化學鍵，大共軛體系、寬面間距、多孔、優良的化學性能、熱穩定性從而成為新一代全碳二維平面結構材料，并在在鋰離子電池，催化劑，太陽能電池，電化學驅動器等方面開展了一系列前沿性探索研究，取得了引人注目的研究成果。2018年，李玉良院士課題組率先在零價原子催化劑上做出了重大突破，成功在石墨炔上負載了過渡金屬Ni和Fe等零價原子并實現了其表面活性組分的高度分散。這一突破解決了傳統載體上作為團簇存在的原子催化劑易遷移、聚集和電荷轉移不穩定等關鍵問題，還展現了超高的穩定性和催化活性，為發展新型高效催化劑開拓了新的方向和思路。面對大量的可選擇的過渡金屬，如何高效地選擇在石墨炔上具有高活性的金屬零價原子錨定是提高未來原子催化劑發展的重要方向。

機器學習

機器學習即用機器去學習以前的經驗。與傳統的編程不同，開發人員需要預測每一個潛在的條件進行編程，一個機器學習的解決方案可以有效地基于數據來適應輸出的結果。一般來說，機器學習可以分為監督學習和非監督學習。監督學習基于所提供數據而逐步提高相應學習預測的準確性。而無監督學習則是最常用于對數據進行分類或分組，從而發現數據中潛在模式和機制。另外機器學習還能夠開發預測催化劑性能的模型，最常見的例子就是是金屬的d帶中心的預測。利用機器學習，我們僅僅輸入原子幾何結構等相應參數既能得到相關材料的電子結構參數預測。相比之下，在機器學習方法中，最多使用 9 個描述符（如原子大小、電負性和密度）作為模型的輸入。他們發現，適度精確的預測可以用六個描述符來完成。值得注意的是，這些模型雖然精確地預測了催化劑材料d帶中心，但并不能提供新的洞察為什么參數是重要的。因為大量理論實驗相結合的深入探討表明，催化劑材料活性表征與預測工作是很復雜的。

成果簡介

一．新型氧化還原勢壘模型量化電荷轉移

近期，香港理工大學的黃勃龍教授與李玉良院士、嚴純華院士合作提出了一種利用氧化還原反應勢壘量化描述d/f軌道電荷轉移，實現對過渡金屬元素、稀土元素中金屬原子作為“原子催化劑”錨定在石墨炔表面成為“石墨炔-原子催化劑”組合體系的快速篩選。向著不同電化勢壘環境中高效穩定原子催化劑體系邁進。本文第一作者：孫明子；通訊作者：黃勃龍；通訊單位：香港理工大學。

通過建立的氧化還原量化模型，針對各種潛在的電荷轉移反應來表征不同電化學情況下的電子交換（Exchange）/轉移（Transfer）能力（ExT）進行了詳細描述。并且對各種過渡金屬、稀土金屬與石墨炔之間的相互作用做了預測。

特別地，利用該方法針對目前所有過渡族金屬進行了篩選，發現了Pd、Pt和Co是其中最穩定且最具活性“原子零價催化劑”個體候選者。該工作同時對稀土鑭系金屬進行了拓展篩選，發現了與過渡金屬不同的反應趨勢。該工作通過一種有效的量化手段成功地篩選出了“原子催化劑”的潛在候選個體，并且能夠與目前的實驗結果高度吻合，增強了從理論計算角度引導未來實驗發展與合成的可參考性！

圖一： 所有過渡金屬氧化還原勢壘的篩選。

二．引入機器學習展望未來復雜催化體系的快速篩選

近些年來，隨著大數據和智能學習等技術在各個領域的迅猛發展，該項技術已經成為了分析處理科研數據的一項有效方法。在相關機器學習人工智能等技術方面，去年我國僅發表論文已超過27000篇，并早在2005年已經超越了美國，說明了機器學習的快速發展和潛力。因此，借助DFT理論計算的高精準度和便利性，進一步利用機器學習和優化的算法策略去預測出新材料的結構和性能和調控催化劑的設計方向能夠節約大量實驗時間與成本。未來，面對多原子復合等更為復雜的原子催化劑體系設計，機器學習將是面對選擇組合的多樣性的情況下，能夠在現有材料和未知材料中實現快速的指向性篩選的有利助手。該工作提出了在理論計算基礎上，借助現有開發的機器學習算法，對于未來如何利用在復雜性原子催化劑體系中提出了大膽設想，為進一步的催化劑合成與調控的實現埋下了堅實的基礎。

圖二： 引入機器學習針對復雜原子催化劑體系篩選。

參考文獻：

Mingzi Sun, Tong Wu, Yurui Xue, Alan William Dougherty, Bolong Huang*, Yuliang Li and Chun-Hua Yan, “Mapping of atomic catalyst on graphdiyne”, Nano Energy (2019)

DOI：10.1016/j.nanoen.2019.06.008

https://www.sciencedirect.com/science/article/pii/S2211285519305129

本文系香港理工大學的黃勃龍教授團隊供稿。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱: tougao@cailiaoren.com.

投稿以及內容合作可加編輯微信：cailiaorenVIP.