河工大郑士建教授/天大陈彪副教授JMCA综述：数据驱动设计电催化剂

第一作者：朱杉（河北工业大学）

通讯作者：陈彪（天津大学）；郑士建（河北工业大学）

【研究背景】

为了助力实现“碳中和”，电催化技术在许多行业的转型升级中大有可为（图1）。因此，寻找高性能催化剂是当前研究重点。开发新型电催化剂是一个复杂的系统性工程。对于不同机制的电催化反应，存在海量的候选材料。同时，催化剂的载体、制备方法和测试环境等都会对实际催化过程产生很大影响。相关领域中，大量的研究工作不断涌现，实验数据正在迅速积累。同时，以机器学习（ML）为代表的人工智能（AI）技术也在高速发展。在这些方面的共同推动下，由数据驱动的电催化剂设计策略逐渐兴起。

图1. 世界范围内不同行业所释放的二氧化碳当量以及各种潜在的电催化技术。

【文章简介】

本综述讨论了数据驱动设计电催化剂研究框架的系统构建。首先，本文论述了基于数据驱动方法设计电催化剂的主要原则，并归纳了实施数据驱动研究的基本步骤，包括数据生成、数据预处理和数据分析等。之后，本文总结了基于数据驱动策略为许多电化学反应（HER、OER、ORR等）设计新型电催化材料（金属、合金、氧化物等）的进展。最后，本文讨论了当前数据驱动设计电催化剂研究中存在的问题，并对未来趋势进行了展望。相关工作以“Data-driven design of electrocatalysts: principle, progress, and perspective.”为题发表于期刊Journal of Materials Chemistry A。

【内容表述】

若将催化剂开发过程视为一个闭环结构，则其由两部分组成（图2）：一部分是研究路径（Research pipeline）；另一部分是研究路径中隐含的 “数据流（Data flow）”（图2）。在电催化剂研发中，研究路径从物理化学机制开始，指导材料合成和模拟分析。该部分每一环节都会产生数据。例如，在材料合成中，需要确定原材料的类型、比例以及实验条件；在DFT计算中，要建立计算环境并获得计算结果。在这些过程中，大量的数据被产生、记录和流动。以这些数据作为基础，可以开展基于数据的催化剂，从而构成电催化剂开发闭环。

图2. 以“数据”为核心的电催化剂研发过程示意图以及数据驱动设计方法的典型步骤。

数据驱动设计的首要原则就是加快数据的生成和分析，从而提高“数据流”的速度和效率。借助“数据流”可以将催化剂制备、分析和表征的各个环节串联起来，从而构建一个普遍适用于各种电催化剂设计的研究框架。

数据是数据驱动研究的基础。使用数据驱动方法要有足够的数据来激活整个过程。广泛使用的数据库是通用型材料信息数据库，如Materials Projects、AFLOW和OQMD等。这些库中的数据是高度结构化的，可以通过相应API接口轻松访问。除了这些大型数据库，也有为催化剂研究量身定做的“催化专用数据库”。就数据类型而言，这些通用型数据库记录了原子类型、晶体结构、电子结构等信息；催化专用数据库则侧重于反应中的原子/分子模型、小分子-底物相互作用参数以及吸附能等。为了建立催化数据库，主要方法有高通量测试和筛选、现有文献的数据挖掘和基于DFT的计算等。       

图3. (a) OC20数据库的示意图 (Copyright @ American Chemical Society); (b) 典型的催化剂数据获取方法。

算法是数据驱动研究的引擎。通过使用优化参数的算法模型，可以有效地分析数据。从经典算法、集合学习方法到深度学习，各类ML算法正在被用于催化剂的研究之中（图4）。以支持向量机（SVM）和决策树（DT）等为代表的经典ML算法成熟较高，其相应的编程工具也很丰富。以XGBoost和AdaBoost为代表的集合学习算法，通过结合多种方法来处理分析任务。这类算法的优点是能发挥各类方法的优势，缺点是训练过程比较复杂。深度学习起源于神经网络（NN），但其具有更复杂的隐藏层结构，在处理复杂问题时具有很大的优势。然而，深度学习高度依赖于数据量，且深度学习模型的可解释性较差。

 图4. 电催化剂设计中的典型特征和算法。

对于不同成分和形态的催化剂系统，数据驱动的电催剂设计研究有着不同的侧重。本文重点介绍了金属、合金等不同材料体系在电催化研究中的重难点以及对应的数据驱动解决方案。

在各种电催化过程中，金属基催化剂都备受关注。目前对金属基催化剂的数据驱动研究旨在实现四类目标，即催化机制的解析、特征的影响权重排序、中间体吸附能计算和催化产物的筛选（图5）。当然，这四类目标也适用于其他材料系统。在一些研究中，这些目标会被同时考虑。    

图5. (a) 数据驱动设计金属基催化剂的典型目标；(b) 不同尺寸铂颗粒的吸附位点示意图； (c) 铂纳米线上不同位点的HER反应机制示意图 (Copyright @ American Chemical Society)。

以单原子催化剂（SAC）和双原子催化剂（DAC）为代表的原子级催化剂，由于其高原子利用率和独特的电子结构，成为了电催化领域迅速崛起的明星材料。一般来说，原子级催化剂需要载体中的相邻原子进行锚定/络合，因此，设计此类材料时应综合考虑活性组分和载体的相互作用（图6）。

图6. 数据驱动设计的原子级电催化剂示意图。SAC/DAC中的典型活性组分是过渡金属等；常见的载体有石墨烯、MOF等；载体的优化主要考虑形态、尺寸、掺杂等因素。

将两种或两种以上的元素结合到合金中，可以大大扩展材料的候选空间，提升电催化剂在活性和稳定性方面的性能提升潜力。然而，更多成分的引入同时也会增加材料筛选的难度。对于合金电催化剂的数据驱动设计，主要挑战是在建模和特征选择中要协同考虑多因素影响，如合金的元素组成、晶体结构、原子排列的有序性等（图7）。

图7. (a) 合金催化剂的类型和设计合金催化剂时需要考虑的特征；(b) 通过神经网络算法处理复杂合金催化剂的示意图 (Copyright @ American Chemical Society)。

以氧化物、硫化物、氮化物等为代表的化合物也是重要电催化剂。这些化合物具有丰富元素组成和晶体结构，对其进行筛选会更加复杂。在基于化合物的电催化剂研究中，当前主流的筛选流程是首先选择要研究的元素，并根据中间体的吸附能或其他有效描述符缩小搜索空间。随后，对这些潜在成分进行热力学稳定性或化学稳定性分析，以获得更精确的潜在电催化剂范围，从而指导后续的实验流程（图8）。

图8. (a) 数据驱动氧化物等催化剂筛选的典型过程；(b) 使用μ/t描述符对各种氧化物材料进行催化性能分析 (Copyright @ Springer Nature)；(c, d) 不同结构和组分MXene材料的氢吸附自由能数据 (Copyright @ American Chemical Society)。

【结论与展望】

图9. 数据驱动的电催化剂研发可以在数据库、算法、理论等方面进行改进。

数据驱动设计电催化剂的关键是改善研究中的“数据流”，具体可以分为提高数据生成速度和提高数据解析效率。目前为止，以ML为工具的数据驱动研究已经在不同的材料体系中得到了广泛的应用。但当前的相关领域中，仍然有很多待改进之处。

数据库的扩容是未来最重要的研究方向之一。首先需要从数据量和维度两方面扩大数据库规模，这对算法的选择和优化有直接影响。此外，还需在电催化数据库中引入更多的 “真实数据”，即来自实际电催化实验数据或在真实环境中测量的性能参数。

在算法方面，主要难点在于如何改善算法的可解释性。复杂的模型确实可能达到很高的分析精度。然而，模型复杂性的提高往往导致其可解释性的降低。因此，需要将算法的分析与已知的物理原理深度整合，让人们更好地理解 "机器智能"。

以目前的技术水平，AI还无法做出远远超出特定训练数据的预测。在材料开发中，学者们的经验和直觉仍然无比重要。人类科学家是电催化剂开发的主导者，但毫无疑问，AI在研究中会扮演起越来越重要的角色。

Shan Zhu, Kezhu Jiang, Biao Chen*, and Shijian Zheng*, Data-driven design of electrocatalysts: principle, progress, and perspective. Journal of Materials Chemistry A. 2023.

https://doi.org/10.1039/D2TA09278F

作者简介

朱杉，河北工业大学讲师，2019年博士毕业于天津大学，主要从事新能源材料的数据驱动设计研究。目前在Adv. Funct. Mater.、J. Mater. Chem. A等期刊发表论文20余篇，累计引用1000余次。

江克柱，河北工业大学副教授，主要从事贵金属纳米材料的设计与催化反应机理研究，包括氧还原（ORR）、析氧（氢）（OER/HER），二氧化碳还原（CO2RR）等能源转化和存储反应。目前在Nat. Catal.、Sci. Adv.、Angew. Chem. Inter. Ed.等国际知名期刊发表论文40余篇，累计引用2000余次。

陈彪，天津大学英才副教授，特聘研究员。2020年于天津大学获得博士学位，澳大利亚阿德莱德大学联合培养博士生，2020年-2022年期间在清华大学深圳国际研究生院进行博士后研究，于2022年5月全职加入天津大学纳米及复合材料研究所。主要从事基于转化反应电池体系可逆转化的研究工作，主持了中国科协青年托举人才项目等5项。目前以第一作者和通讯作者身份在J. Am. Chem. Soc., PNAS., Adv. Mater., Environ. Energy. Sci., 等国际知名期刊发表SCI论文超二十篇，总被引次数超过2300次，6篇入选ESI高被引论文，参与出版英文专著1部。

郑士建，河北工业大学教授，博士生导师，2014年入选中科院“百人计划”，2016年入选国家“海外高层次人才引进计划”青年项目。致力于金属结构材料与能源材料的原子尺度研究，研究成果揭示了高温、高应力、强辐照等极端使役环境下原子尺度界面结构对高温合金、钛合金、层状金属材料力学性能、抗核辐照损伤性能的影响规律，以及能源电池材料服役过程中原子尺度衰变机制。在Nat. Commun.、Sci. Adv.、Adv. Mater.、Acta Mater.等高水平期刊发表SCI论文130余篇，累计引用6000余次。受邀在（国际塑性、损伤与断裂会议等）高水平国际会议上做邀请报告，主持或参与国家重点研发计划、国家自然科学基金等项目11项。获河北省政府特殊津贴（2019）、天津市创新类领军人才（2019）、河北省最美科技工作者（2022）等荣誉。