研究亮点

❖ 提出了量化筛选原子催化剂的有效模型。

❖ 筛选出了 Pt,Pd,Co 等有效金属原子催化剂，与实验结果高度吻合。

❖ 对借助机器学习针对复杂原子催化剂体系的筛选进行了展望，为未来的原子催化剂发展提供了有利参考。

石墨炔-单原子催化剂

由于在电化学催化方面的高效性能，碳基负载的过渡金属原子催化剂做为一种独特的电催化体系已经在不同催化反应领域体现出了巨大的应用潜力。并且其接近 100 % 的原子利用率，更是可以有效降低过渡金属的负载量从而大幅降低催化剂成本而因此备受关注。而近些年，由李玉良院士主导的石墨炔体系的快速发展也为“原子催化剂”提供了一种更加稳定的衬底。石墨炔由于其自身具有丰富的碳化学键，大共轭体系、宽面间距、多孔、优良的化学性能、热稳定性从而成为新一代全碳二维平面结构材料，并在在锂离子电池，催化剂，太阳能电池，电化学驱动器等方面开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，李玉良院士课题组率先在零价原子催化剂上做出了重大突破，成功在石墨炔上负载了过渡金属 Ni 和 Fe 等零价原子并实现了其表面活性组分的高度分散。这一突破解决了传统载体上作为团簇存在的原子催化剂易迁移、聚集和电荷转移不稳定等关键问题，还展现了超高的稳定性和催化活性，为发展新型高效催化剂开拓了新的方向和思路。面对大量的可选择的过渡金属，如何高效地选择在石墨炔上具有高活性的金属零价原子锚定是提高未来原子催化剂发展的重要方向。

机器学习

机器学习即用机器去学习以前的经验。与传统的编程不同，开发人员需要预测每一个潜在的条件进行编程，一个机器学习的解决方案可以有效地基于数据来适应输出的结果。一般来说，机器学习可以分为监督学习和非监督学习。监督学习基于所提供数据而逐步提高相应学习预测的准确性。而无监督学习则是最常用于对数据进行分类或分组，从而发现数据中潜在模式和机制。另外机器学习还能够开发预测催化剂性能的模型，最常见的例子就是是金属的 d 带中心的预测。

利用机器学习，我们仅仅输入原子几何结构等相应参数既能得到相关材料的电子结构参数预测。相比之下，在机器学习方法中，最多使用 9 个描述符（如原子大小、电负性和密度）作为模型的输入。他们发现，适度精确的预测可以用六个描述符来完成。值得注意的是，这些模型虽然精确地预测了催化剂材料 d 带中心，但并不能提供新的洞察为什么参数是重要的。因为大量理论实验相结合的深入探讨表明，催化剂材料活性表征与预测工作是很复杂的。

工作亮点简介

一．新型氧化还原势垒模型量化电荷转移

近期，香港理工大学的黄勃龙教授与李玉良院士、严纯华院士合作提出了一种利用氧化还原反应势垒量化描述 d/f 轨道电荷转移，实现对过渡金属元素、稀土元素中金属原子作为“原子催化剂”锚定在石墨炔表面成为“石墨炔-原子催化剂”组合体系的快速筛选。向着不同电化势垒环境中高效稳定原子催化剂体系迈进。

通过建立的氧化还原量化模型，针对各种潜在的电荷转移反应来表征不同电化学情况下的电子交换（Exchange）/转移（Transfer）能力（ExT）进行了详细描述。并且对各种过渡金属、稀土金属与石墨炔之间的相互作用做了预测。

特别地，利用该方法针对目前所有过渡族金属进行了筛选，发现了Pd、Pt 和 Co 是其中最稳定且最具活性“原子零价催化剂”个体候选者。该工作同时对稀土镧系金属进行了拓展筛选，发现了与过渡金属不同的反应趋势。该工作通过一种有效的量化手段成功地筛选出了“原子催化剂”的潜在候选个体，不仅模拟的 X 射线吸收近边缘结构光谱与是测量光谱之间具有一致性，并且清晰描述了金属原子和底层支撑物之间的电荷转移，验证了其相互作用。在活性预测上能够与目前的实验结果高度吻合，增强了从理论计算角度引导未来实验发展与合成的可参考性！

▲图一： 所有过渡金属氧化还原势垒的筛选。

二．引入机器学习展望未来复杂催化体系的快速筛选

近些年来，随着大数据和智能学习等技术在各个研究方向的迅猛发展，该项技术已经成为了分析处理科研数据的一项有效方法，特别是图像处理等相关领域。机器学习能够从人类难以识别的图像中提取信息，例如在发光光谱领域的研究进展说了及学习能够进一步推动图像分辨率的极限。这些研究发展表明催化研究中有机会利用机器学习研究了各种形式的显微镜图像并进一步推进对其中隐藏信息的解读。相关机器学习人工智能等技术方面，去年我国仅发表论文已超过 27000 篇，并早在 2005 年已经超越了美国，说明了机器学习的快速发展和潜力。机器学习技术很可能继续为催化研究增加价值。它们已经使研究人员能够对现有数据做更多的工作，并为获得新的相关数据提供更复杂的方法。

图二： 引入机器学习针对复杂原子催化剂体系筛选。

因此，借助 DFT 理论计算的高精准度和便利性，机器学习的引入可以也帮助多尺度、不同构型的纳米材料。尤其针对复杂催化体系，不同的活性位点和反应活性的预测能够节约大量实验时间与成本。未来，面对多原子复合等更为复杂的原子催化剂体系设计，机器学习将是面对选择组合的多样性的情况下，能够在现有材料和未知材料中实现快速的指向性筛选的有利助手。该工作提出了在理论计算基础上，借助现有开发的机器学习算法，对于未来如何利用在复杂性原子催化剂体系中提出了大胆设想，为进一步的催化剂合成与调控的实现埋下了坚实的基础。

参考文献：

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)