基于计算单原子催化剂数据库的机器学习辅助高效催化剂设计研究

作者与发表信息
本研究的通讯作者为华北电力大学动力工程系的Zhengyang Gao、日本东北大学先进材料研究所的Hao Li以及华北电力大学的Weijie Yang，合作作者包括华北电力大学与日本物质材料研究机构（NIMS）的多位研究人员。研究论文题为“Computational Single-Atom Catalyst Database Empowers the Machine Learning Assisted Design of High-Performance Catalysts”，发表于Journal of Physical Chemistry C（*J. Phys. Chem. C*）2025年第129卷，页码5043–5053。

学术背景

单原子催化剂（Single-Atom Catalysts, SACs）因其高原子利用率、均一活性位点和优异的选择性，在能源与环境催化领域（如NO和Hg⁰氧化反应）展现了巨大潜力。然而，传统“试错法”开发SACs效率低下，且缺乏全面的SACs数据库限制了数据驱动策略的应用。本研究旨在通过密度泛函理论（Density Functional Theory, DFT）高通量计算构建包含1197种SACs的公共数据库，并基于机器学习（Machine Learning, ML）模型预测催化性能，最终筛选高性能催化剂。

研究流程与方法

1. 催化剂设计与高通量计算

• 设计对象：研究通过调控SACs的配位环境，构建了以3d过渡金属（Ti、V、Cr、Mn、Fe、Co、Ni、Cu、Zn）为中心、掺杂非金属原子（B、N、O、P、S）的1197种SACs结构。
  
• 计算方法：采用VASP软件进行DFT计算，参数包括：PAW赝势、PBE泛函、DFT-D3色散校正、450 eV截断能。计算了金属原子的Bader电荷、d带中心（d-band center）、系统电负性、结合能（*E_bind*）及O₂、O、NO的吸附能（*E_ads*）。
  
• 稳定性筛选：通过比较结合能与金属块体凝聚能，从1197种结构中筛选出657种稳定SACs。
  

2. 数据库构建与可视化

• 工具与平台：使用Python框架Streamlit开发了交互式在线数据库（访问链接），用户可自定义数据维度（如水平/垂直轴、散点颜色大小）并查看详细催化性能。
  

3. 机器学习模型开发

• 特征工程：通过Matminer包生成132种Magpie特征，经筛选保留14个关键特征（如原子数平均偏差、电负性均值等）。
  
• 模型选择与优化：对比了极端梯度提升回归（XGBR）、随机森林回归（RFR）和支持向量回归（SVR），其中XGBR预测性能最优（R²>0.87，均方误差MSE<0.35）。
  
• 框架整合：将XGBR与催化火山图模型结合，构建了自动化催化活性预测框架（AML），用于快速筛选NO/Hg⁰氧化反应的高效催化剂。
  

主要研究结果

1. 电子结构特性分析

   • Bader电荷：金属原子向石墨烯基底转移电子，电荷转移量随原子序数呈火山型趋势（Co/Ni/Cu转移量最小）。
     
   • d带中心：随金属原子序数增加，d带中心（ε_d）从正变负，表明催化活性受金属类型主导。
     
   • O吸附能：Ni/Cu/Zn中心SACs对O的吸附能力显著受配位非金属原子影响，吸附能变化范围达5.64 eV。
     

2. 机器学习预测性能

   • XGBR模型对O吸附能的预测误差（MAE=0.41 eV）显著低于文献报道的其他模型（如RFR、SVR），为4d金属SACs筛选提供了可靠工具。
     

3. 高效催化剂筛选

   • 通过AML框架预测1261种4d金属SACs的活性，发现Rh1B4和Rh1C2S2在NO和Hg⁰氧化中性能优异，其能垒（分别为1.01/2.59 eV和1.03/2.61 eV）低于已报道SACs。
     

结论与价值

1. 科学价值：

   • 首次构建了覆盖多配位环境的SACs公共数据库，填补了数据驱动催化剂设计的空白。
     
   • 提出的XGBR-火山图联合框架为快速筛选SACs提供了新范式，可推广至其他催化反应（如ORR、OER）。
     

2. 应用潜力：

   • 筛选的Rh基SACs在燃煤电厂NOx和Hg⁰污染控制中具有实际应用前景。
     
   • 开源数据库与AML工具（GitHub链接）为后续研究提供了共享平台。
     

研究亮点

1. 方法创新：

   • 结合DFT高通量计算与ML，实现了从“计算设计”到“性能预测”的全流程自动化。
     
   • 开发的AML框架将传统催化理论（如d带中心、火山图）与数据科学深度融合。
     

2. 成果新颖性：

   • 发现Rh1B4和Rh1C2S2的能垒突破现有SACs性能极限，为实验合成提供了明确靶点。
     

3. 技术通用性：

   • 研究方法可扩展至其他单原子体系（如5d金属、双原子催化剂），推动高通量催化剂设计的发展。
     

其他亮点
- 研究通过Streamlit实现了数据库的动态可视化，方便用户交互式探索数据。
- 开源代码与数据库遵循CC-BY-NC-ND 4.0协议，促进了学术资源共享。