美国马里兰大学李腾教授团队AFM：基于拓扑结构机器学习的双原子催化剂设计

01

全文速览

与单原子催化剂相比，双原子催化剂不仅具有高利用率、高选择性和高活性的特性，还克服了单原子催化剂低负载量和仅单个活性位点的缺点，因此受到人们的广泛关注。然而，由于双原子催化剂具有巨大的可选择空间，因此如何高效地挑选出理想的双原子催化剂仍然是一个巨大的挑战。为解决这一问题，美国马里兰大学李腾教授团队利用基于拓扑结构的机器学习（ML）和第一性原理计算（DFT）方法，分析了16,767种双原子结构的稳定性、析氧（OER）和氧还原（ORR）催化性能，并筛选出511种OER催化性能超过IrO₂(110)、855种ORR催化性能超过Pt(111)、248种具有双功能的双原子催化剂。与通过DFT计算的双原子催化性能评估方法相比，该研究所提出的高效设计方案具有144,000倍的速度优势。相关研究成果以Data-Driven High-Throughput Rational Design of Double-Atom Catalysts for Oxygen Evolution and Reduction 为标题发表在Advanced Functional Materials上。

02

背景介绍

当前，不断加剧的能源危机和环境污染等问题对可再生洁净能源的能量储存和转换提出了更高的要求。催化剂作为能量储存和转换的关键部分，其重要作用是降低核心部件（能量转换器件）在OER和ORR反应所需的能耗。因此获得高效且经济的催化剂是可持续能源技术探索的重中之重。

03

本文亮点

本文以碳基底材料和过渡金属为研究对象，利用基于拓扑结构的机器学习与第一性原理计算结合的方法，从16,767个双原子结构中筛选出了511个OER催化性能超过IrO₂(110)，855个ORR催化性能超过Pt(110)，248个具有双功能的双原子催化剂。该方法比纯DFT计算时间缩短了144,000倍。

图文解析

▲图1 以碳材料为基底的双原子结构。（a）考虑了氮元素位置和数量的23个碳材料基底。（b）研究的27个过渡金属，这27个能获得729个金属组合。这729个金属组合放在23个碳基底上形成了16,767个双原子结构。

如图1所示，本文以含有不同氮原子的碳材料为基底，并考虑了27个不同过渡金属为研究对象。结合机器学习和第一性原理计算方法，系统研究了16,767个双原子催化剂结构的稳定性、OER和ORR催化性能。

▲图2 基于拓扑结构的机器学习方法

为了研究这16,767个双原子催化剂的稳定性和催化性能，本文提出一种基于拓扑结构的机器学习预测方法。该算法如图2所示，通过提取双原子催化剂的拓扑结构（包括金属双原子及其周围碳原子）特征，分析出每个节点（即原子）的连接规律，并根据此规律设计机器学习模型。另一方面，本研究通过DFT计算，分析了164种双原子催化剂结构的稳定性，OER和ORR催化性能，并以此为训练数据，训练所设计的基于拓扑结构的机器学习模型。最后，以训练并测试合理的机器学习模型，预测其余双原子催化剂的结构稳定性和催化性能。

▲图3 基于拓扑结构的机器学习方法对双原子催化剂稳定性预测

本研究所设计的基于拓扑结构的机器学习模型不仅能够将双原子催化剂的结构信息作为输入数据，还引入了与催化性能相关的参数（包括原子电负性等）到拓扑结构的每个节点中。通过这样加强模型数据特征维度的方法，使得模型具有极高的预测精度。图3a证明了机器模型对双原子稳定性预测具有极高的预测精度：通过测试集预测，拟和精度（R-square）值为0.926。图3b显示了通过所训练的机器学习模型对所有双原子催化剂种类的稳定性预测，结果表明所有金属双原子均能稳定地固定在碳基底缺陷上。此外，含Au，Zn和Cd元素的双原子具有相对较低的稳定性。

▲图4 基于拓扑结构的机器学习方法对双原子催化剂OER和ORR活性预测

基于拓扑结构的机器学习模型对双原子催化剂OER和ORR催化活性预测如图4所示。该模型在测试集上对OER和ORR活性的拟合精度分别为0.957 和0.949，证明该机器学习模型能够准确地预测双原子催化剂的OER和ORR催化活性。图4b和4d显示了所有双原子催化剂的OER和ORR活性预测结果。结果表明，OER活性好的双原子也具有较好的ORR催化活性。此外，含Ni、Cu、Zn、Pd、Ag、Cd、Pt和Au元素的双原子催化剂展现了更好的OER和ORR催化活性。

▲图5 高性能双原子催化剂的筛选。（a, b）OER和ORR活性与描述符φ关系。(c, d) OER和ORR催化活性关系及双功能催化剂筛选。（e, f）机器学习预测结果与DFT计算结果对比；（g）机器学习预测结果与实验对比。

结合所有预测结果，本文提出了一种描述双原子催化剂活性的描述符φ，其计算结果与机器学习预测结果的对比如图5a和5b所示。由图可以看出，具有更高φ值的双原子催化剂具有更好的OER和ORR催化活性。在这些双原子催化剂结构中，共有511个双原子催化剂的OER催化活性优于IrO2(110)催化活性，共有855个双原子的ORR催化活性优于Pt(111)催化活性。其中，248个双原子的OER和ORR催化活性同时好于IrO2(110)的OER催化活性和Pt(111)的ORR催化活性(如图5c, 5d所示)，该248个高性能双原子催化剂中有64个双原子组合为非贵重金属。验证计算如图5e和5f所示，机器学习预测结果与DFT计算结果差小于0.1eV。表明本文的机器学习模型具有极高的精度。此外，机器学习模型预测双原子催化剂的ORR催化活性趋势与实验获得的趋势一致，进一步证明了机器学习模型的准确性（如图5g所示）。

05

李腾教授团队近期关于原子催化剂的研究

1. 机器学习加速单原子催化剂的设计。

应用分子动力学模拟和第一性原理计算分析单原子的形成机理和催化性能，并结合机器学习方法加速了单原子催化剂的设计。该方案不仅为理性选择并制备过渡金属元素单原子催化剂提供了理论支撑和定量的指导，还对单原子催化剂性能评估的速度比单纯通过 DFT计算快13万倍。这个超高效的设计方案可以对所有过渡金属单原子的电催化活性进行预测，从而为单原子催化剂的设计提供了前所未有的理性指导。

相关成果有：

[1]High temperature shockwave stabilized single atoms. Nature Nanotechnology 14, 851-857 (2019).

( https://doi.org/10.1038/s41565-019-0518-7)

[2]Stabilizing mechanism of single-atom catalysts on a defective carbon surface. npj Computational Materials 6, 23 (2020).

(https://doi.org/10.1038/s41524-020-0292-y)

06

作者介绍

马里兰大学李腾教授团队专注于高性能可持续材料、软材料、低维纳米材料、原子尺度催化剂、能源存储材料等的设计与开发，相关研究成果发表在Nature, Science, Nature Review Materials, Nature Nanotechnology, Nature Sustainability, PNAS, PRL, JACS, Advanced Materials, Materials Today, Advanced Energy Materials 等国际顶级期刊，并于2022年荣获马里兰大学系统校董杰出科研创新奖， 2019年马里兰大学年度发明奖（物理科学领域），2018年荣获被誉为“国际发明创造奥斯卡”的R&D100大奖，2016年荣获国际工程科学学会青年科学家奖章。李腾教授现任马里兰大学先进可持续材料与技术实验室主任，Extreme Mechanics Letters副主编，李腾教授在2006年和哈佛大学锁志刚教授共同发起创建iMechanica.org,目前已经成为国际力学领域用户最多的网络资源平台。

李腾教授的微信视频号（#视频号：李腾教授），旨在分享科研心得，助力青年学者科研腾飞。短视频受到广泛关注并被媒体采访，迅速成为微信视频号科研类头部大号。李腾教授已经通过微信视频号直播为超过60万+科研人员提供干货内容，成为科研人员关注的热点直播。

原文链接：

https://onlinelibrary.wiley.com/doi/full/10.1002/adfm.202203439

相

关

推

荐

1. 仪器表征基础知识汇总

2. SCI论文写作专题汇总

3. Origin/3D绘图等科学可视化汇总

更多科研作图、软件使用、表征分析、SCI 写作、名师介绍等干货知识请进入后台自主查询。