华北电力大学开发基于AI催化设计蓝图，跨材料电化学通用设计框架

在日常生产中，时常能看到过氧化氢的影子，从消毒剂、医疗灭菌到环境清理和制造。都有它发挥价值的地方。但大多数双氧水仍通过需要大量能源的大规模工业工艺生产，仍需寻找相关的替代品。

来自华北电力大学等的研究团队在寻找相关反应的催化剂方面有了突破。他们开发了一个通用且可转移的催化剂设计框架，整合了加权原子中心对称函数（wACSF）描述符与机器学习和微动力学建模。

相关研究内容以「Universal Catalyst Design Framework for Electrochemical Hydrogen Peroxide Synthesis Facilitated by Local Atomic Environment Descriptors」为题，发表在《Angewandte Chemie International Edition》。

论文链接：https://onlinelibrary.wiley.com/doi/10.1002/anie.202518027

设计反应催化剂

过氧化氢合成被认为是一种经济高效的生产方式，并且相当环保节能。该方法还通过将电能转换为氢形式的化学能，提供了一种稳健的能量储存解决方案，从而将能源生产与环境可持续性相结合。

受到当前催化剂设计局限的启发，相关团队开发了一个通用且可转移的催化剂设计框架，将新构建的加权原子中心对称函数（wACSF）描述符与机器学习和微动力学建模整合。

与主要描述原子几何环境的传统 ACSF 方法不同，wACSF 描述符包含几何和化学特征，包括活性中心原子的内在活性活性特性。这种双重表示使得对多样化催化系统的统一描述成为可能，克服了传统机器学习辅助方法的可迁移性不足。

图 1：催化剂设计框架概述。

该框架的运行逻辑大致如下：

1. 首先选出主要材料，并根据催化剂的活性点位等构建原子的化学环境特征。
2. 利用 XGBoost 回归，随后进行特征分析和递归消去以丢弃冗余特征。
3. 采用先进的机器学习算法来开发有效模型，随后将得到的无吸附能量纳入微动力学火山模型中进行测试。
4. 最后，通过机器学习预测的无吸附能量筛选过程，将通过微动力学模型快速识别潜在高性能催化剂。

性能与验证

利用该框架，团队成功预测了多种催化剂类型中的关键反应特性。这些预测与详细的量子力学计算结果及先前报告的实验数据高度吻合，表明该方法适用于多种材料。

接下来，团队通过 “通用设计框架” 筛选出最优候选催化剂 ——LiScO₂，从电化学性能、稳定性、理论 - 实验匹配度三方面完成系统验证。

图 2：理论预测的实验验证。

该框架所验证的结果显示， LiScO₂催化剂在 2.2 V vs. RHE 下 H₂O₂法拉第效率达 90%，2.4 V 时仍保持 > 80% 选择性。稳定性表现也相当优异，能在流动池测试中连续运行 168 小时，法拉第效率维持 82%–86%，并且无结构降解。

验证结果与预测结果偏差值在 5% 之内，是目前 2e⁻ WOR 催化剂中最优匹配的例子。

小结

该研究提出了一个通用的催化剂设计框架。通过开发加权原子中心对称函数（wACSF）描述符，整合数据库自动化、机器学习（ML）和微动建模，其中 wACSF 结合了几何与化学特征，实现了跨不同催化剂家族的局部环境统一且可迁移的表示。

该框架可以实现夸材料催化剂筛选与机制洞察，体现了设计中的统一范式。它已被应用于数字催化平台（迄今为止最大的数字平台实验和计算催化数据库，由 Hao Li 实验室开发），可用于高效预测反应性质。

相关链接：https://phys.org/news/2025-12-ai-based-blueprint-catalysts-materials.html