全文速覽

研究背景

電催化技術(shù)（如CO還原產(chǎn)甲烷等）在清潔能源轉(zhuǎn)化中至關(guān)重要，但傳統(tǒng)催化劑研發(fā)依賴耗時(shí)的高通量計(jì)算。機(jī)器學(xué)習(xí)（ML）能加速催化劑篩選，但現(xiàn)有模型往往缺乏可解釋性和泛化能力。

本文亮點(diǎn)

圖文解析

【數(shù)據(jù)集構(gòu)建】研究選取了四種典型碳氮材料（C?N?、C?N?、CN、C?N）作為單原子載體，錨定27種無(wú)毒過(guò)渡金屬（如Fe、Cu等），構(gòu)建了含N?-M至N?-M配位結(jié)構(gòu)的單原子催化劑（SACs）。通過(guò)DFT計(jì)算獲得了CO、OH、NO、N?等關(guān)鍵中間體的432種吸附能數(shù)據(jù)，覆蓋了CO還原（CORR）、氧還原（ORR）等多種電催化反應(yīng)，為機(jī)器學(xué)習(xí)提供了廣泛的數(shù)據(jù)集。

圖1 (a) C?N?基（包括C?N?、C?N?、CN、C?N）單原子催化劑的原子構(gòu)型；(b) 錨定在CxNy基底上的篩選過(guò)渡金屬原子。

【特征工程】特征設(shè)計(jì)聚焦三大類：1）金屬中心原子屬性（如原子序數(shù)、質(zhì)量）；2）電子結(jié)構(gòu)（如d軌道電子數(shù)）；3）配位環(huán)境特征（如周圍非金屬原子的電負(fù)性、半徑）。通過(guò)量化0-5Å內(nèi)配位原子的空間分布（分三區(qū)域統(tǒng)計(jì)），構(gòu)建了22維特征空間，兼顧幾何與電子結(jié)構(gòu)信息，為模型提供可解釋的物理化學(xué)依據(jù)。

圖2 (a) 包含不同組別的輸入特征總結(jié)；(b) 提取單原子配位信息的示意圖（以過(guò)渡金屬沉積在C?N?為例）。

【模型評(píng)估與篩選】本研究系統(tǒng)比較了多種機(jī)器學(xué)習(xí)模型對(duì)單原子催化劑吸附能的預(yù)測(cè)性能，其中梯度提升回歸（GBR）模型表現(xiàn)最優(yōu)，訓(xùn)練集和測(cè)試集的平均R²分別達(dá)0.970和0.966，RMSE低于0.118eV。GBR通過(guò)迭代優(yōu)化和集成學(xué)習(xí)，能有效處理非線性關(guān)系并抑制噪聲，其預(yù)測(cè)精度顯著優(yōu)于XGBoost、KNR和SVR等模型，成為吸附能預(yù)測(cè)的最佳選擇。

圖3 小提琴圖展示500次訓(xùn)練中每個(gè)機(jī)器學(xué)習(xí)算法的決定系數(shù)（R²）和均方根誤差（RMSE）分布：(a, c) 訓(xùn)練集；(b, d) 測(cè)試集。

【AI揭示催化奧秘】SHAP可解釋性分析實(shí)錘：原子序數(shù)(Z)和配位環(huán)境電負(fù)性差(χ_NM(0-3)-χ_M)是調(diào)控CO吸附能的核心參數(shù)！GBR模型成功捕捉到二者非線性作用規(guī)律——當(dāng)Z增大時(shí)吸附能預(yù)測(cè)值驟降，而電負(fù)性差更存在多個(gè)突變區(qū)間。二維分析圖清晰顯示關(guān)鍵參數(shù)組合對(duì)模型預(yù)測(cè)值可產(chǎn)生-0.44 ~ 0.34波動(dòng)，完美詮釋了單原子催化劑"結(jié)構(gòu)-性能"的復(fù)雜映射關(guān)系！

圖4 (a) 微調(diào)GBR模型中各特征的SHAP值；(b) 前9個(gè)特征的SHAP特征重要性一維偏依賴圖；(c, d) 關(guān)鍵特征與次要特征的二維偏依賴關(guān)系圖。

【可遷移性分析】本研究開(kāi)發(fā)的GBR機(jī)器學(xué)習(xí)模型不僅精準(zhǔn)預(yù)測(cè)CO吸附能（R²>0.9），更成功遷移至OH/NO/N?等分子體系，誤差（RMSE）<0.2 eV！即使在大規(guī)模混合數(shù)據(jù)集上，模型仍保持高的預(yù)測(cè)準(zhǔn)確率（R²=0.934），展現(xiàn)出強(qiáng)大的泛化能力。這項(xiàng)突破讓AI輔助催化劑設(shè)計(jì)效率提升多倍，為電催化研究打開(kāi)新思路！

圖5 微調(diào)GBR模型對(duì)不同吸附物的預(yù)測(cè)值與DFT計(jì)算值對(duì)比散點(diǎn)圖：(a) OH；(b) NO；(c) N?；(d) 合并數(shù)據(jù)集。GBR模型在訓(xùn)練/測(cè)試中的性能小提琴圖：(e) R²；(f) RMSE。

【AI秒篩頂級(jí)催化劑】機(jī)器學(xué)習(xí)預(yù)測(cè)CO吸附能誤差<0.2 eV，成功鎖定最優(yōu)催化劑Zn@C?N?（E_ad = -0.61eV）！DFT驗(yàn)證顯示其CO還原到甲烷轉(zhuǎn)化能壘僅0.44 eV，性能碾壓傳統(tǒng)銅催化劑。從海量候選到精準(zhǔn)鎖定，AI極大提升催化劑開(kāi)發(fā)效率！

圖6 (a) GBR模型預(yù)測(cè)的CO吸附能與DFT計(jì)算值對(duì)比；(b) Zn@C?N?上CO還原為CH?的吉布斯自由能變化圖；(c) 不同中間體在Zn@C?N?上的幾何構(gòu)型。

總結(jié)與展望

本研究突破性實(shí)現(xiàn)：（1）GBR模型小樣本精準(zhǔn)預(yù)測(cè)（R²=0.937）；（2）揭秘原子序數(shù)與配位電負(fù)性差是關(guān)鍵參數(shù)；（3）成功遷移至OH/NO/N?體系！這套"可解釋+可遷移"的AI框架，為催化材料開(kāi)發(fā)樹(shù)立新標(biāo)準(zhǔn)，更將推動(dòng)能源材料AI設(shè)計(jì)革命！

作者介紹

課題組介紹：

范俊教授在計(jì)算材料領(lǐng)域具有豐富的計(jì)算經(jīng)驗(yàn)，目前已在Nature Communications, Angewandte Chemie, ACS Nano, Physical Review Letters, Small, Journal of Materials Science & Technology 和Journal of Materials Chemistry A 等國(guó)際知名期刊發(fā)表多篇文章。主要研究方向 (1) MD：生物分子與納米材料的相互作用；蛋白質(zhì)與細(xì)胞膜的相互作用；二維材料納米孔測(cè)序蛋白質(zhì)/DNA； (2) DFT：二維材料在能源儲(chǔ)存和催化領(lǐng)域的研究；(3) ML：機(jī)器學(xué)習(xí)在材料開(kāi)發(fā)中的應(yīng)用。

引用本文