電催化是實現(xiàn)可持續(xù)能源轉(zhuǎn)化與減碳減排的關鍵技術。電催化反應總是在特定的環(huán)境下發(fā)生，并且和環(huán)境中的物種發(fā)生相互作用，形成工況下的活性相結構，活性相結構搜索的傳統(tǒng)算法存在條件依賴性，無法適應無序和動態(tài)結構的不足，這需要發(fā)展新的研究范式來實現(xiàn)催化活性相的探索。北京大學深圳研究生院新材料學院潘鋒教授團隊將數(shù)學的圖論/代數(shù)拓撲和結構化學相融合，通過將化學結構映射為數(shù)學模型，發(fā)展了系列材料研究方法，創(chuàng)新性地提出一種基于圖論的結構化學研究方法(Sci China Chem, 2019, DOI: 10.1007/s11426-019-9502-5)解決了晶體學同構判斷的難題，建立了擁有65萬晶體結構的大數(shù)據(jù)系統(tǒng)，并以此發(fā)展材料基因組學和AI for Science(AI4S)的研究，將其應用于低維材料的發(fā)現(xiàn)(National Science Review, 2022, DOI: 10.1093/nsr/nwac028)和新型固態(tài)電解質(zhì)的設計(J. Am. Chem. Soc. 2024, 146, 27, 18535—18543)。該文章發(fā)展了基于圖表示、圖同構和機器學習的主動學習框架，可以實現(xiàn)從包含數(shù)百個中間物種催化反應網(wǎng)絡中快速預測最優(yōu)熱力學路徑的方法(CCS Chemistry 2024, 7, 1—14)。
 

　　近日，潘鋒團隊和廈門大學李劍鋒教授、鄭世勝團隊提出了一種基于圖論結構化學、拓撲數(shù)據(jù)分析和機器學習力場的自動化多相催化活性相探索框架。該研究通過拓撲引導采樣算法結合機器學習方法，實現(xiàn)了對多種催化材料活性相的系統(tǒng)性采樣和高效計算，為多相催化反應的機理研究和材料設計提供了新的技術路徑。相關研究成果以“Active Phase Discovery in Heterogeneous Catalysis via Topology-Guided Sampling and Machine Learning”為題，發(fā)表于國際學術期刊《自然·通訊》。
 

　　在多相催化過程中，活性相的確定對于理解反應機理至關重要。然而，受環(huán)境條件影響，催化劑表面及其內(nèi)部的原子結構會發(fā)生復雜演變，傳統(tǒng)的計算模擬方法難以高效覆蓋龐大的結構空間。針對該問題，團隊提出一種基于代數(shù)拓撲持續(xù)同調(diào)理論的采樣算法(PH-SA)，它利用持序同調(diào)分析通過自下而上的方法檢測空間中可能的吸附/嵌入位點。PH-SA能夠探索表面、亞表面甚至體相與活性物種之間的相互作用，不受形態(tài)限制，因此可應用于周期性和非晶態(tài)結構。
 

基于持久同調(diào)的采樣算法(PH-SA)的概述和活性相探索的總體框架
 

　　本文通過兩個典型體系驗證了該框架的有效性。首先，在Pd-H體系中，該方法篩選了超過5萬種可能的氫吸附/嵌入構型，并利用機器學習力場計算了不同氫濃度下的活性相分布。研究發(fā)現(xiàn)，在電化學條件下，Pd(100)表面經(jīng)歷了由四重空位到六重空位的重構，這一現(xiàn)象被認為與CO2電還原反應的催化活性增強密切相關。其次，在Pt-O體系中，該方法分析了超過10萬種Pt納米團簇的氧化構型，發(fā)現(xiàn)隨著氧濃度的增加，Pt55團簇內(nèi)部逐漸形成Pt-O配位結構，導致其氧還原反應活性降低。這一結果與實驗觀察高度一致。
 

不同H濃度的PdHx體系結果分析
 

不同0濃度的PtOx體系結果分析
 

　　該研究表明，基于拓撲學的采樣方法可有效彌補傳統(tǒng)基于化學直覺的采樣策略的不足，同時結合AI機器學習力場的高效計算能力，實現(xiàn)大規(guī)模結構空間的自動化探索。研究團隊表示，該方法不僅適用于金屬催化劑，還可推廣至其他復雜催化體系，如CO2電還原中的CuOx相變以及SiOx在鋰離子電池中的儲能機制研究。
 

　　潘鋒及博士畢業(yè)生鄭世勝以及李劍鋒為本文的通訊作者。鄭世勝、廈門大學人工智能研究院張希銘為本文第一作者。本研究由國家自然科學基金、廣東省重點實驗室等項目資助。