清華新聞網(wǎng)9月22日電 多相催化劑是化學(xué)工業(yè)與新能源電轉(zhuǎn)化技術(shù)的關(guān)鍵，對(duì)于促進(jìn)相關(guān)領(lǐng)域低碳綠色的發(fā)展目標(biāo)至關(guān)重要。傳統(tǒng)催化劑開(kāi)發(fā)模式依賴(lài)大量實(shí)驗(yàn)試錯(cuò)和高成本的理論計(jì)算，周期長(zhǎng)、成本高、效率低。近年來(lái)，融合人工智能（AI）與高通量計(jì)算的“智能研發(fā)”新范式，為從原子尺度上理性設(shè)計(jì)和高效發(fā)現(xiàn)新催化材料提供了高效可行的新路徑。清華大學(xué)化工系王笑楠團(tuán)隊(duì)長(zhǎng)期致力于該交叉領(lǐng)域的研究，近期系統(tǒng)性地構(gòu)建了貫穿催化劑表面設(shè)計(jì)、催化活性與選擇性篩選及反應(yīng)動(dòng)力學(xué)優(yōu)化等關(guān)鍵環(huán)節(jié)的多尺度AI預(yù)測(cè)框架，為催化劑的理性設(shè)計(jì)與智能發(fā)現(xiàn)提供了支撐。
首先，團(tuán)隊(duì)針對(duì)催化材料表面是否穩(wěn)定、能否合成這一基礎(chǔ)性問(wèn)題，創(chuàng)制了“SurFF”表面性質(zhì)基礎(chǔ)模型，通過(guò)主動(dòng)學(xué)習(xí)策略構(gòu)建了一個(gè)涵蓋萬(wàn)余種合金表面的大規(guī)模數(shù)據(jù)庫(kù)，以精準(zhǔn)預(yù)測(cè)晶體材料的表面能和平衡形貌（Wulff構(gòu)型）。在保持同等精度的前提下，SurFF比傳統(tǒng)的密度泛函理論（DFT）計(jì)算效率提升了5個(gè)數(shù)量級(jí)以上，且首次實(shí)現(xiàn)了對(duì)數(shù)千種晶體材料可合成性與表面暴露情況的高通量篩選。同時(shí)，團(tuán)隊(duì)利用大語(yǔ)言模型挖掘了大規(guī)模文獻(xiàn)數(shù)據(jù)（1萬(wàn)余篇催化文獻(xiàn)XRD/TEM面指數(shù)信息），結(jié)合原創(chuàng)實(shí)驗(yàn)數(shù)據(jù)，在真實(shí)催化體系中驗(yàn)證了模型的準(zhǔn)確性。該工作為催化劑理性設(shè)計(jì)及下一代自驅(qū)動(dòng)材料研發(fā)閉環(huán)提供了堅(jiān)實(shí)支撐。相關(guān)成果以“SurFF：一種跨金屬間化合物晶體表面暴露與形貌的基礎(chǔ)模型”（SurFF: A Foundation Model for Surface Exposure and Morphology Across Intermetallic Crystals）為題，于9月9日發(fā)表于《自然·計(jì)算科學(xué)》（Nature Computational Science）。
圖1.利用SurFF基礎(chǔ)模型實(shí)現(xiàn)實(shí)驗(yàn)級(jí)表面合成與暴露情況預(yù)測(cè)
另外，團(tuán)隊(duì)聚焦于二氧化碳電還原制甲醇的催化劑的活性與選擇性篩選這一重大技術(shù)挑戰(zhàn)，提出了一套由AI驅(qū)動(dòng)的高通量催化劑篩選框架。以預(yù)訓(xùn)練的原子基座模型為基礎(chǔ)，結(jié)合主動(dòng)學(xué)習(xí)策略，僅用少量的DFT計(jì)算數(shù)據(jù)就能快速微調(diào)出高精度預(yù)測(cè)模型。該方法將催化劑吸附性能的篩選效率提升了千倍以上，成功從3000多種候選材料中發(fā)現(xiàn)了一系列綜合性能超越現(xiàn)有基準(zhǔn)的新型單原子催化劑。相關(guān)成果以“結(jié)合原子基座模型與主動(dòng)學(xué)習(xí)加速二氧化碳轉(zhuǎn)化催化劑的理論高通量篩選”（Theoretical High-Throughput Screening of Single-Atom CO2 Electroreduction Catalysts to Methanol Using Active Learning）為題，于8月5日發(fā)表于中國(guó)工程院院刊《工程（英文）》（Engineering）。
圖2.結(jié)合主動(dòng)學(xué)習(xí)與原子基座模型的理性催化劑篩選
更進(jìn)一步，團(tuán)隊(duì)開(kāi)發(fā)了名為CaTS的過(guò)渡態(tài)智能篩選框架，瞄準(zhǔn)催化劑設(shè)計(jì)中難度最大、耗時(shí)最長(zhǎng)的反應(yīng)動(dòng)力學(xué)優(yōu)化問(wèn)題進(jìn)行攻關(guān)。長(zhǎng)期以來(lái)，過(guò)渡態(tài)的計(jì)算是預(yù)測(cè)反應(yīng)速率的關(guān)鍵，但高昂的計(jì)算成本是制約大規(guī)模篩選的瓶頸。CaTS框架創(chuàng)新性地采用遷移學(xué)習(xí)策略，僅需數(shù)百個(gè)催化反應(yīng)數(shù)據(jù)即可訓(xùn)練出高精度的機(jī)器學(xué)習(xí)力場(chǎng)，將過(guò)渡態(tài)搜索的效率提升了近萬(wàn)倍，且在能量和結(jié)構(gòu)預(yù)測(cè)上均保持了與DFT的高度一致性。相關(guān)研究成果以“CaTS：面向催化劑發(fā)現(xiàn)的可擴(kuò)展和有效的過(guò)渡狀態(tài)篩選”（CaTS: Toward Scalable and Efficient Transition State Screening for Catalyst Discovery）為題，于8月27日發(fā)表于《美國(guó)化學(xué)會(huì)·催化》（ACS Catalysis）。
圖3.CaTS模型遷移與在均相加氫催化體系上的篩選應(yīng)用示例
以上三項(xiàng)工作面向催化劑理性智能設(shè)計(jì)中的關(guān)鍵科學(xué)問(wèn)題，形成了一套從靜態(tài)結(jié)構(gòu)到動(dòng)態(tài)反應(yīng)的較為完整的AI驅(qū)動(dòng)多尺度催化研究框架，有效促進(jìn)了催化劑的研發(fā)從傳統(tǒng)的“試錯(cuò)”模式向高效、精準(zhǔn)的“智能預(yù)測(cè)”模式的快速轉(zhuǎn)變，為多種多相催化劑的設(shè)計(jì)提供了理論支撐和創(chuàng)新路徑參考。
清華大學(xué)化工系副教授王笑楠為以上系列工作的唯一通訊作者，第一作者包括清華大學(xué)化工系2022級(jí)博士生陳宏浩、2024級(jí)博士生李文韜、新加坡國(guó)立大學(xué)博士畢業(yè)生殷駿。其他合作者包括清華大學(xué)化工系教授王鐵峰、助理研究員藍(lán)曉程，中國(guó)石化北京化工研究院馮華升博士等。研究得到國(guó)家人工智能重大專(zhuān)項(xiàng)、中央高校青年教師科研創(chuàng)新能力支持項(xiàng)目（U40）、清華大學(xué)自主科研項(xiàng)目、碳中和與能源智聯(lián)項(xiàng)目（CNEST）、青年北京學(xué)者等項(xiàng)目的資助。
論文鏈接：
https://www.nature.com/articles/s43588-025-00839-0
https://doi.org/10.1016/j.eng.2025.03.039
https://pubs.acs.org/doi/10.1021/acscatal.5c03945
供稿：化工系
編輯：李華山
審核：郭玲
