Nature Communications：用第一性原理计算和人工智能设计单原子合金催化剂

第一作者：Zhong-Kang Han

通讯作者：Aliaksei Mazheika，Yi Gao，Sergey V. Levchenko

通讯单位：德国：柏林理工大学，中国科学院，俄罗斯：斯科尔科沃创新中心

DOI：https://doi.org/10.1038/s41467-021-22048-9

背景

单原子合金催化剂(SAACs)是近年来催化研究的前沿之一。目前的趋势是同时优化反应物的易解离和平衡的中间体结合强度，使其成为几个重要工业反应的高效催化剂。然而，由于缺乏对大量候选催化剂的催化性能的快速而可靠的预测，因此阻碍了新的SAACs的发现。

研究的问题

本文通过应用压缩传感数据分析方法来解决这个问题，该方法以密集函数输入为参数。除了不断预测实验研究的SAACs的效率外，本文还确定了200多个尚未报道的有前途的候选催化剂。其中一些候选催化剂比报道中的候选催化剂更稳定、效率更高。本文还介绍了一种基于数据挖掘方法子群发现的复杂符号回归模型定性分析的新方法。本文的研究证明了数据分析在催化设计中避免偏差的重要性，并提供了为各种应用寻找最佳SAACs的配方。

图1|简单描述符和目标属性之间的相关性。

要点：

• 为了更好地理解不同客体原子的BEH变化，本文首先研究了合金体系的BEH与投射到单个客体原子的d轨道的d带中心之间的相关性。结果表明，这种计算d带中心的方法对投射在(i)单个客体原子加上它的第一近邻壳层或(ii)整个板条上的d轨道提供了比d带中心更好的其它性质。图1a显示了Ag(110)宿主表面[Pt(111)宿主表面]上不同SAACs的相关性。
• 从图1a可以明显看出，d带模型预测的预期线性相关性对于H吸附的SAACs而言是被打破的。这是由于H原子轨道较小，导致H和TMd-轨道之间的耦合相对较弱。
• 此外，本文检查了用于SAACs(图1b)的E_b和H₂离解反应能之间的BEP关系的有效性，该关系通常用于根据反应物和产物的吸附能来提取反应的动力学数据。

图2|不同目标属性的SISSO误差及其分布。

要点：

• 图2a显示了BEH、EB和SE的SISSO模型的均方根误差(RMSE)以及CV10误差。得到的SAACs的BEH、EB和SE的最优描述符维数分别为5、6和6。图2b-d显示了最佳模型相对于RPBE结果的误差分布。

图3|使用SISSO进行SAACs高通量筛选的结果。

要点：

• 本文使用识别性的计算成本低廉的SISSO模型对SAACs进行高通量筛选，以找到加氢反应的最佳候选者。图3a-c显示了平面的BEH、EB和SEH(存在表面H吸附原子时的偏析能，其中包括H吸附原子引起的偏析能变化)的结果。
• 本文已经筛选了5000多个SAACs候选催化剂，在低温(200K)和高温(700K)下，氢分压p=1atm。本文发现160个平面SAACs(图3d，绿色)和134个阶梯表面SAACs在低温(200K)下都是活跃和稳定的。在较高的温度(700K)下，102个平面SAACs(图3d，蓝色和绿色)和136个阶梯表面SAACs被归类为有希望的加氢反应SAACs。

图4|在T=298K和p=1 atm时，SAACs平面的稳定性与活度的关系图

要点：

• 如图4所示，一些新发现的候选催化剂(活动稳定性图的左下角)预计将比已报道的候选催化剂具有更高的稳定性和效率，使用它们可以在实际应用中优化催化性能。正如预期的那样，稳定性和活跃性是相反的，这可以从补充图8(显示选定的材料)和补充图9(显示所有已探索的材料)的总趋势的负斜率以及这些区域左下角的图示中看出。另一方面，本文已经发现了几种材料，它们被预测为比目前报道的材料更好的SAACs。考虑到稳定性、活性、丰度和健康/安全，图4突出显示了已发现的两个最佳候选催化剂Mn/Ag(111)和Pt/Zn(0001)。

结语

总之，本文通过结合第一性原理计算和SISSO数据分析方法，提出了准确可靠的模型来描述SAACs的氢结合能、离解能和客体原子分离能，这使我们能够快速可靠地预测数千个SAACs在氢化反应中的催化性能。该模型正确地评估了实验测试的SAACs性能。通过用本文的模型扫描5000多个SAACs，本文发现了200多个新的SAACs，与现有的SAACs相比，它们的稳定性和性能都有所提高。本文还介绍了一种使用数据挖掘方法子群发现对复杂SISSO描述符进行定性分析的新方法。它使我们能够根据材料的基本特征，确定目标性质中所需变化的驱动机制，例如反应屏障减少或催化剂稳定性增加。本文的方法可以很容易地适用于为各种应用设计新的功能材料。

本文由SSC供稿。