【儀表網 研發(fā)快訊】電催化是實現可持續(xù)能源轉化、減碳減排的關鍵技術。對電催化反應路徑的認識是合理設計催化劑的前提，受限于復雜的表面動態(tài)效應和龐大的反應網絡，這需要發(fā)展新的研究范式來實現催化反應路徑的高效預測。北京大學深圳研究生院新材料學院潘鋒教授團隊將數學的圖論和結構化學相融合，把材料中的原子當作圖論的點，原子間的化學鍵當作圖論的邊，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據系統(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(National Science Review, 2022, DOI: 10.1093/nsr/nwac028)和新型固態(tài)電解質的設計(J. Am. Chem. Soc. 2024, 146, 27, 18535-18543)。
近日，潘鋒團隊將該方法進一步擴展用于電化學催化反應研究，發(fā)展了圖論結構電化學，詮釋了電催化尿素合成反應的機理，結合AI發(fā)展了基于圖表示、圖同構和機器學習的主動學習框架，可以實現從包含數百個中間物種反應網絡中快速預測最優(yōu)熱力學路徑的方法。該方法可以顯著減小全局探索反應路徑所需的計算量，為高通量設計新型催化劑提供一條新途徑。相關研究成果以“Automating discovery of electrochemical urea synthesis reaction paths via active learning and graph theory”為題，發(fā)表在中國化學會旗艦期刊CCS Chemistry 2024, 7, 1-14。
涉及多電子轉移的電化學反應通常具有一個龐大的反應網絡特征，該網絡包含了大量基元反應。探索最可能的反應路徑是催化機制分析中的核心任務。量子化學方法，如密度泛函理論(DFT)，常被用來闡明反應機制。然而，由于化學直覺的局限性和計算需求，這些方法通常僅適用于簡單的反應過程，在處理具有非均勻結構或組成的復雜反應網絡時會遇到困難。這一問題在二氧化碳電還原為多碳產物和電化學C-N偶聯(lián)等蓬勃發(fā)展且廣受關注的領域中尤為重要。為降低計算成本，研究者們已開發(fā)了多種AI機器學習算法并取得進展，但其中大多數僅在靜態(tài)、完整的金屬和合金表面以及典型反應上進行了驗證。值得注意的是，當前大部分機器學習替代模型中忽略了催化劑表面重構的動態(tài)效應。然而，在研究涉及大分子、高覆蓋率吸附物和活性表面的電化學反應時，表面動態(tài)效應尤為重要。在該情景下，AI機器學習替代模型的核心挑戰(zhàn)在于難以準確評估重構表面和吸附物的能量，進而難以實現最優(yōu)路徑的預測。
電催化劑反應網絡復雜性及動態(tài)重構示意圖
潘鋒團隊引入了一種結合圖論和AI主動學習循環(huán)的工作流程，以解決復雜表面電催化反應路徑預測這一長期存在的挑戰(zhàn)。通過圖論方法，以尿素電化學催化合成為例，遍歷了其催化合成反應中大多數鍵重排類型及相應的重構模式，通過AI機器學習方法對反應網絡中間體穩(wěn)定性和形成能進行預測，降低了密度泛函理論的計算成本。以在氮摻雜石墨烯作為催化劑為例，該圖論結構電化學理論在尿素電催化合成這一反應中得到驗證，說明該理論框架的有效性。該反應體系在工作條件下發(fā)生顯著動態(tài)結構重構。整個反應網絡包含901個反應物種，利用該框架，只需計算其中的40%就可實現對反應網絡能量學的評估并得到過電勢。此圖論結構電化學框架可以擴展到其他復雜的電化學反應，并在最小程度依賴精確量子化學計算的前提下，促進過電位的快速估算，從而為真實條件下催化機制的自動化計算分析鋪平道路。
主動學習流程概述
潘鋒、北京大學深圳研究生院新材料學院李舜寧副研究員為本文通訊作者。北京大學深圳研究生院新材料學院博士生畢業(yè)生、現任廈門大學特任副研究員鄭世勝為本文第一作者。論文得到國家自然科學基金、廣東省和深圳市相關平臺支持。
所有評論僅代表網友意見，與本站立場無關。