單原子合金催化劑（Single-atom-alloy catalysts, SAACs）是目前材料化學領域處於前沿的一種奈米催化劑。由於其粒徑尺寸最小化以及金屬原子利用率最大化，導致其具有特殊的電子特性和較高的催化效率。但對大量候選物的催化效能缺乏快速而可靠的預測，阻礙了SAACs的新發現。近日，來自中國、俄羅斯和德國的研究人員提出了一種針對SAACs的新搜尋演算法，該演算法找到了200多個尚未報告的候選材料。研究證明了資料分析對避免催化設計中出現偏差的重要性，並提供了尋找適用於各種應用的最佳SAACs的方法。該研究以「採用第一性原理計算和人工智慧設計的單原子合金催化劑」（Single-atom alloy catalysts designed by first-principles calculations and artificial intelligence）為題發表在《自然•通訊》（Nature Communications）雜誌上。SAACs，通常由原子分散在惰性和催化選擇性較高的主體金屬中的催化活性元素組成。在很多催化反應（包括選擇性加氫、脫氫、C-C和C-O偶聯反應、NO還原和CO氧化）中具有高效催化效率和選擇性。由於SAACs獨特的幾何結構，過渡態的位置和反應中間產物的結合位置往往是解耦的，這使得反應物容易解離和中間產物的弱結合，這是SAAs具有高效和選擇性催化的關鍵因素。但穩定且同時具有催化活性的SAACs並不多。傳統的加氫反應單原子非均相催化劑設計方法主要依靠反覆試驗法。但SAACs的合成和原位實驗表徵面臨挑戰使這些方法受到限制。隨著第一性原理方法和計算資源的進步，理論建模為催化劑合理設計開闢了新的機會。儘管SAACs的穩定性在設計潛在催化劑方面的重要性不亞於其催化效能，但並沒有引起同等關注。本論文的研究者透過結合第一性原理計算和壓縮感知資料分析方法（compressed-sensing data-analytics methodology）來解決阻礙SAACs廣泛使用的問題。透過基於主體表面和客體單原子性質識別描述符，預測H的結合能(BEH)、H2分子的解離能壘(dissociation energy barriers, Eb)、單客體原子在不同過渡金屬表面上的分離能(SE)。以及吸附氫存在時的分離能(SEH)。用於識別關鍵描述引數的是基於壓縮感知的最新技術——SISSO（sure independence screening and sparsifying operator）。SISSO能夠在提供的候選物中找到最佳的低維描述符。與第一性原理計算相比，該研究的模型可以對大量SAACs催化效能做出更快（千分之一）、更可靠的預測。圖示：簡單描述符與目標屬性之間的關聯 。（來源：論文）
由於候選物的數量很大，在計算上要求很高。為SAACs的計算篩選找到新的準確但低成本的描述符很有必要。在SISSO方法中，透過使用一組數學運算子組合表（19個低成本主要特徵），來迭代地構建超過100億個候選特徵的龐大池。請注意，三個主要表面特徵是純主體表面（元素金屬系統）的屬性。無疑，這比獲得SAACs（合金金屬系統）的效能要有效得多。為了測試獲得的模型的預測能力，採用10倍交叉驗證（CV10）。首先將資料集分為十個子集，使用九個子集執行描述符識別以及模型訓練。然後，使用獲得的模型評估剩餘子集中的系統效能預測誤差。
均方根誤差（RMSE）以及SISSO模型對應的CV10誤差。（來源：論文）使用SISSO模型進行SAACs的高通量篩選，以找到氫化反應的最佳候選者。與SAACs的活性和穩定性有關的三種特性（BEH，Eb和SEH）的篩選標準選擇在篩選過程中起著核心作用，並確定了要選擇的候選物件。研究人員表示：「該模型可以正確評估經過實驗測試的SAACs效能。透過使用我們的模型掃描五千多個SAACs，我們發現了200多種新SAACs，其穩定性和效能均比現有SAACs高。」對於高效能的氫化反應，SAACs應同時表現出較弱的氫鍵結合和較低的H2解離能壘，但不同的標準適用於不同的反應條件。考慮到溫度和壓力的選擇標準，在低溫（200 K）和高溫（700 K）條件下，篩選了五千多個SAAC候選物件，所有候選元素的主要特徵值均可在資料中找到。在低溫（200 K）下, 發現160個平坦表面SAACs和134個階梯表面SAACs都有效且穩定。在較高溫度（700 K）下，發現102個平面SAACs和136個階梯表面SAACs有希望進行氫化反應。此外，還確定SAACs在很寬的溫度範圍內都能進行反應。
SISSO高通量篩選SAACs的結果。（來源：論文）
適用於各種材料
Levchenko說：「我們注意到，最近已報導了有關SAACs穩定性的機器學習研究。但是，我們的分析考慮了吸附物對偏析能的影響，這是以前未曾考慮過的。」例如，Pd / Ag（110）和Pt / Ag（110）系統的SE分別為0.33 eV和0.46 eV，這意味著Pd和Pt雜質傾向於偏析到Ag（110）系統中。但是，Pd / Ag（110）和Pt / Ag（110）系統的SEH分別為0.10 eV和0.21 eV，這表明在H原子存在下Pd和Pt雜質會偏析到表面。這些結果也與實驗觀察結果一致，即在氫氣條件下對樣品進行預處理可以大大提高Pd / Ag單原子催化劑對乙炔選擇性加氫為乙烯的效率。 除了實用的模型外，作者還開發了一種新穎的機器學習方法，一種基於資料探勘方法子群發現的複雜符號迴歸模型的定性分析的新方法。用於識別導致高催化效能材料的物理特性組合，從而從資料中提取物理知識和理解。 Levchenko指出：「所開發的方法可適應於設計用於各種應用的新型功能材料，包括電催化、燃料電池、甲烷重整和水煤氣變換反應。」論文連線：https://www.nature.com/articles/s41467-021-22048-9參考內容：https://phys.org/news/2021-05-ai-single-atom-alloy-catalysts-candidates.html 
