机器学习辅助催化剂设计，天大团队开发通用且可解释的描述符
编辑 | KX
低成本、高效的催化剂高通量筛选对于未来的可再生能源技术至关重要。可解释的机器学习通过提取物理意义来加速催化剂设计，但面临着巨大的挑战。
近日，天津大学巩金龙教授、赵志坚教授、张鹏教授团队开发了一种通用且可解释的描述符模型 ARSC，用于统一多种电催化反应的活性和选择性预测。
该模型仅利用易于获取的内在属性，成功地解耦了双原子位点的原子属性（A）、反应物（R）、协同（S）和配位效应（C）。
在 ARSC 的驱动下，研究人员可以快速找到各种产品的最佳催化剂，而无需进行 50,000 多次密度泛准功能理论计算。
该模型的普适性已得到大量已报道的研究和后续实验的验证，其中 Co-Co/Ir-Qv3 被确定为最佳的双功能氧还原和析氧电催化剂。该研究为高维系统的智能催化剂设计开辟了道路。
相关研究以「Machine learning-assisted dual-atom sites design with interpretable descriptors unifying electrocatalytic reactions」为题，于 9 月 17 日发表在《Nature Communications》上。
论文链接：https://www.nature.com/articles/s41467-024-52519-8
电催化反应催化剂设计
通过电催化反应活化小分子已成为实现「碳中和」的一种有前景途径，例如 O2、CO2 和 N2 还原反应 (ORR、CRR 和 NRR) 以及析氧反应 (OER)。
双原子催化剂 (DAC) 是单原子催化剂 (SAC) 的延伸，由于其复杂而灵活的活性位点，特别有利于电催化。然而，催化剂设计的一个重大挑战在于开发通用描述符模型，从而准确捕捉几何结构和电子结构之间复杂的相互作用。
当前，已经报道了许多值得注意的描述符，有效地揭示了 SAC 或 DAC 的结构-性能关系。然而，综合考虑其可靠性、实用性和普适性，能够统一多种反应同时解决实验和理论结果的最佳低成本描述符仍然难以捉摸。
可解释的机器学习 (ML) 能够在高维系统中提炼通用描述符模型。符号回归算法是催化领域应用最广泛的可解释ML。识别通用描述符的关键在于基于物理…
通用且可解释的描述模型 ARSC
在此，天津大学研究团队通过双原子位点易于获取的属性来准确捕捉原子属性、反应物、协同效应和配位效应。
通过物理上有意义的特征工程和特征选择/稀疏化 (PFESS) 方法开发了一种通用且可解释的描述模型 ARSC。
PFESS 的物理意义基于对 d 带理论和前线轨道（Frontier orbitals，FO）理论的结合。它统一了多种电催化反应（ORR、OER、CRR 和 NRR）的活性和选择性预测，并说明了 d 轨道重叠度在双原子位点反应中的重要作用。
图示：通用工作流。（来源：论文）
ARSC 模型框架主要包括四个部分：
（i）通过 d 带形状分析实现原子性质效应的原始描述符（ϕxx）；
（ii）基于反应物效应的潜在理想…
其中 β 和 γ 是非负指数，由 R 和 S 对吸附的重要性决定。
计算进一步表明，FO 的形状与 d 带形状密切相关，表明 FO 和所有 d 轨道都可以有效地描述 DAC 的构效关系，且精度相当。
通过绘制原始描述符 ϕxx 与 ∆G(z) − ∆Gopt(z) 的关系图，成功统一了多种电催化反应，包括 ORR、OER、CRR 和 NRR。因此，∆G(z) − ∆Gopt(z) = 0 (ϕopt) 处的不同 ϕxx 值表示同核双原子位…
…
完整内容请查阅原文链接。
感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。
机器学习辅助催化剂设计，天大团队开发通用且可解释的描述符
