近日，上海交通大学电院“人工智能与微结构实验室”李金金教授团队在Energy & Environmental Materials上发表题为“
Deep Learning Accelerates the Discovery of Two-Dimensional Catalysts for Hydrogen Evolution Reaction”的研究型论文。该研究得到国家自然科学基金委的资助。本项研究有效解决了在大数量的数据库中快速发现二维析氢反应催化剂的问题。在考虑全吸附位点的情况下，使用深度学习大大缩短高通量计算时间，节约计算成本，最后抽取数个结果进行验证，以验证模型的准确性。
随着能源危机以及化石燃料引发的气候危机日益加深，寻找新型可持续能源成为人类的当务之急。氢气作为一种能源密集型燃料，是理想的可持续清洁能源。电解制氢是可用于商业大规模制氢的手段，但是由于析氢反应催化剂的高昂成本，使其难以商业化。虽然自从二维材料被研究发现以来，二维材料因其种种优异性能大有可能成为优异的电解氢催化剂，但长时间的实验周期以及高通量计算成本严重阻碍了二维催化剂的快速发现。因此，在短时间内发现新的性能优异的二维析氢反应催化剂成为了一个亟待解决的问题。
图 1. 深度学习加速发现二维析氢反应催化剂流程
近日，上海交通大学电院“人工智能与微结构实验室”李金金教授，带领团队在考虑二维材料所有活性位点的情况下，使用深度学习方法结合晶体图卷积神经网络，从二维材料数据库中加速发现了数种高性能二维析氢反应催化剂。图一展示的为筛选催化剂的过程，根据材料的分解能以及带隙筛选出合适的材料及其全部潜在位点，通过CGCNN模型将复合材料结构转为数学描述符作为深度学习模型的输入。图二a所示，经过卷积层和池化层特征转换后，利用全连接层训练复合结构与吸附能。通过深度学习训练获得AUC高达0.952的模型，并用其筛选出61种二维材料，去除其中有毒有放射性物质以及含有贵金属的材料，并考虑热力学稳定性以及化学稳定性筛选出38种二维材料，并且根据模型结果预测了其可能的最强活性位点。研究最后随机抽取了其中八种材料进行了验证，证明了模型的可靠性。
图 2. 深度学习架构以及训练验证结果
Sicheng Wu, Zhilong Wang, Haikuo Zhang, Junfei Cai, Jinjin Li*. Deep Learning Accelerates the Discovery of Two-Dimensional Catalysts for Hydrogen Evolution Reaction. Energy Environ. Mater. 2022. DOI: 10.1002/eem2.12259
https://onlinelibrary.wiley.com/doi/10.1002/eem2.12259
上海交通大学电院“人工智能与微结构实验室致力于结合第一性原理计算、量子化学、人工智能和实验探索进行微纳材料结构设计。基于人工智能算法，结合Tensorflow、Keras等深度学习框架，团队开展了集成学习、迁移学习等多种创新算法和应用研究。解决了多项基础研究在能源材料等领域的瓶颈问题。在材料信息学、目标检测与跟踪等交叉领域中有多项创新性的研究成果并申请多项软件著作权。可进入实验室网站(www.aimslab.cn)获取相应软件代码。
