AEM：高熵合金組成空間中最大催化活性的路徑研究

一、導讀

人類面臨著能源需求不斷增加，但產生的溫室氣體也加速了全球變暖的問題。能源有效的轉換和儲存是化石能源過渡到可再生能源的重要方略。其中一種將可再生能源轉化為化學燃料的方法是使用氫燃料電池，即氧和氫通過氧還原反應(ORR)產生能量。ORR的動力學緩慢，必須引入催化劑進行加速，但最常用的鉑催化劑稀有而昂貴。因此，尋找一種更便宜、更高效的ORR催化劑至關重要。

高熵合金(HEAs) 在連續的組成空間內存在著無限種組合，每種材料都會給出許多不同的吸附位點，所以開發HEAs作為催化劑顯示出了巨大的應用潛力，提高HEAs的催化活性也成為新興的重要課題。

二、成果掠影

近期，哥本哈根大學Jan Rossmeisl教授團隊認為可能存在一條使ORR催化劑活性最高的組合物共同主線，文中稱為“山脊線”。研究者只需要將HEAs空間組成的輕微變化看作生物突變，沿著脊線尋找最佳催化劑看作生物適應環境變化，這樣沿著脊線的漸進改變會使得催化劑對實際應用條件適應度增加，進而找到最佳催化劑。

本文以Ag-Ir-Pd-Pt-Ru HEAs為模型證明了ORR反應活性的局部最優值與“山脊線”相連，即催化活性的最大值可以通過“山脊線”尋找，并由此提出了一種尋找催化劑的新策略。在一個組成空間中已經最優的催化劑在另一個組成空間中可以進一步優化。結合機器學習與改進過的微動彈性帶（NEB）算法的模擬結果，提出邊緣元素的替代是進一步優化已經足夠活躍的催化劑的一種新策略。

相關研究工作以“Following Paths of Maximum Catalytic Activity in the Composition Space of High-Entropy Alloys”為題發表在國際頂級期刊Advanced Energy Materials上。

三、核心創新點

1.提出了“山脊線”尋找催化劑的新策略和替代邊緣元素來尋找催化劑的新策略，并證明了該策略的有效性。

2.改進了尋找催化劑過程中使用的NEB算法，相比于經典NBE算法，保證準確性的同時減少了計算量。

四、數據概覽

圖1 三元子空間中，從Ir₄₅Pd₅₅開始替換元素。? 2022 The Authors

圖2 使用GPR模型在統一5 at%網格上訓練的經典NEB算法a)和在269個樣本后收斂的ML NEB算法b)的Ag和Ir間收斂NEB路徑的活性高度分布。? 2022 The Authors

圖3 ML NEB與經典NEB的比較。? 2022 The Authors

圖4 Ir-Pd-Pt組合空間中始于Ir₅₀Pt₅₀的DE模擬。? 2022 The Authors

圖5 Ag-Ir-Pd-Pt-Ru從5 at%的所有組成的網格中找到的帕累托最優。? 2022 The Authors

五、成果啟示

利用探波雷達(GPR)對組合空間進行建模，并對NEB算法進行了改進，得到了組合空間中催化活性沿脊線分布的路徑。利用山脊檢測算法對GPR函數進行預測，證明了催化劑活性極大值確實與脊線相連。在此基礎上，改進了NBE算法（ML NEB）。與經典NEB算法相比，ML NEB算法在減少了計算量的同時，可以準確預測最大催化活性的路徑。在更高的維度中，ML NEB不夠適用，但本文提出了一種可能的新策略，即沿著催化活性脊線到組成空間的邊緣，然后用一種元素替換另一種元素，并對三元組成進行了模擬。通過引入更多的適應度參數，最終可以找到帕累托的有效組合。本文介紹的方法會為人們尋找和設計新的催化劑時提供新的思維方式。

原文詳情：https://onlinelibrary.wiley.com/doi/10.1002/aenm.202202962

本文由張熙熙供稿。