题目：High-entropy alloy catalysts: high-throughput and machine learning-driven design通讯作者：邹宇（多伦多大学）；Chandra Veer Singh（多伦多大学）DOI: 10.20517/jmi.2022.23全文链接：https://jmijournal.com/article/view/5280
催化在工业生产中扮演着至关重要的作用，超过85%的化学反应都需要催化剂。因此，催化剂的合理设计决定着工业生产的效率，影响着人们的生活水平。目前设计催化剂主要从以下两个角度来考虑：“简单化”和“复杂化”。前者是减小催化剂的颗粒尺寸，降低维度，增加表面体积比，这点是异相催化的重中之重。“简单化”的极限就是目前比较热门的单原子催化剂，活性原子利用率可达到100%。但由于其负载量较低，稳定性较差，大规模生产还具有一定的难度。因此，人们把更多的目光集中在“复杂化”。作为“复杂化”的代表高熵合金，早在2004年，被Cantor以及Yeh等人提出，它是由5种或以上不同的元素接近等摩尔比组成的合金。从此，高熵合金的研究呈指数型增长，在各个领域都开始崭露头角（如图1）。尤其在催化领域，一些高熵合金已经展现了杰出的催化活性由于其具有的高熵效应，迟缓的扩散效应，晶格畸变效应以及“鸡尾酒”效应。但其复杂多样的成分空间导致其活性位置多样化，复杂化。因此，探索高熵合金催化剂的构效关系无论是对于实验还是理论计算都是巨大的挑战，阻碍了合理地设计具有优异催化性能的高熵合金催化剂。图1. 关键词分别为HEA，HEA catalyst，HEA machine learning的发表文章的数目。插图为高熵合金通过高通量技术和机器学习模型用于催化反应的示意图。
近日，多伦多大学材料科学与工程学院的邹宇教授以及Chandra Veer Singh教授在JMI上发表了“高熵合金催化剂：高通量和机器学习驱动的设计”综述论文。文章总结了目前的高通量技术（高通量理论计算和高通量实验）以及用于探索高熵合金催化剂的机器学习模型，指出了目前高熵合金催化剂发展的挑战，提出了高熵合金催化剂的发展策略应由“试错法”转向“高通量技术与机器学习相结合的方法合理地设计开发高熵合金催化剂”。此综述为相关的科研人员提供了新的研究方向，策略以及思路，极大地促进了高通量技术和机器学习在高熵合金催化领域的发展，同时也为高熵合金在催化领域的应用提供了更多的可能。
高通量技术对于研究人员有效地生成大型数据库以及随后的数据处理和分析至关重要，逐渐成为科学研究中不可或缺的技术之一。对于具有巨大成分空间的高熵合金来讲，高通量技术使得高熵合金的研究更加的自动化以及高效化。高通量技术研究高熵合金主要从以下两个方面展开：
高通量的理论计算。随着高性能计算能力以及理论计算方法的快速发展，相对于实验研究，高通量理论计算成为一个更高效的工具来构建材料数据库。理论计算的第一步就是构建高熵合金模型。目前最广泛的构建高熵合金的方法是特殊准随机结构（SQS）生成方法，其基本思想是，在一定大小的超晶胞下，找到一个特殊的构型，使得其最接近随机的构型，这是通过匹配团簇关联函数来实现的。近日，通过结合人工神经网络（ANN）和进化算法，Singh教授课题组提出了一种用于生成高熵合金结构的神经进化结构（NES）生成方法。此方法的生成速度约为SQS方法的1000倍左右，仅仅几个小时就可以生成超大的高熵合金结构（超过四万的原子）。
表面能和功函数体现高熵合金表面的化学性质，与高熵合金催化剂的催化性能直接相关，因此被用来作为催化活性的描述符。此综述总结了如何利用高通量理论计算获得高熵合金的表面能和功函数。除此之外，由于催化中普遍存在的活化能和反应能之间的BEP关系以及吸附中间态吸附能之间的线性关系，某个特定中间态的吸附能能够作为催化剂催化活性的描述符。因此，高通量理论计算所获得到特定中间态的吸附能能够表征高熵合金催化剂的催化性能。此综述针对CO2还原反应，氮气还原反应以及氧气还原反应，详细地介绍了目前高通量理论计算如何获得高熵合金催化剂对某个特定吸附物的吸附能，进而预测高熵合金的催化性能。证明了高通量理论计算在高熵合金催化剂设计发展过程中的必要性。
高通量的实验方法。高通量理论计算在构建数据库和预测具有高催化性能的新型高熵合金催化剂方面显示出巨大的潜力。然而，大多数高通量理论计算技术都是利用半经验的物理和化学参数，而没有考虑这类实验的复杂性。高熵合金的合成、表征和性能测试都可能影响着理论计算结果的可靠性。因此，高通量的实验方法（合成、表征、性能测试）也应该被开发来验证高熵合金催化剂的结构、性质和催化性能，进一步验证高通量理论计算结果。因此，各种高通量实验方法被设计出来，例如固态梯度合金化方法，高通量的增材制造法，高通量射频感应耦合等离子体方法等等。此综述都进行了总结与分析，并指出各方法的优劣势，为以后的高通量实验研究提供了一定的指导作用。机器学习是加速催化剂发现的有力工具，它可以高精度地建立模型，预测未知催化剂的催化性能，并揭示催化剂的结构-性质-性能之间的关系，尤其是对于具有巨大成分空间的高熵合金催化剂。机器学习模型成功的关键是使用合适的、通用的描述符，准确地、全面地表示高熵合金催化剂的结构信息。一个有效的描述符可以加速机器学习模型的发展，并揭示催化过程的催化本质。此综述简要地总结了在高熵合金催化剂领域开发的机器学习模型，主要包括以下四个反应：氨分解与合成、氧气还原反应和CO2还原反应。基于这些模型，许多高效的高熵合金催化剂被预测，并通过实验被合成，促进了高熵合金在催化领域的进一步发展。同时这些成功的机器学习模型也为高熵合金催化剂的合理设计提供了一定的指引性，避免了传统的“试错法”，极大地提高了生产效应，降低了合成成本。
高熵合金催化剂的研究尚处于起步阶段，在合成方法、反应机理、构效关系等方面存在众多有待解决的问题。随着合金元素的增加，高熵合金催化剂的活性中心比传统合金体系复杂得多。因此，活性中心的确定是高熵合金催化剂研究的关键。高通量技术和机器学习模型相结合是加速高熵合金催化剂研究的必经之路（图2）。具体的挑战有以下几点：（1）目前的高通量合成技术难以灵活地控制高熵合金催化剂的形貌以及颗粒尺寸；（2）高通量技术合成的高熵合金催化剂不利于进一步的高通量表征以及高通量的催化性能测试；（3）目前高通量理论计算主要集中在高熵合金催化剂的吸附特性，而不是最直观的催化性能。该策略有效地降低了计算成本，但仅适用于BEP关系以及吸附态吸附能之间的线性关系仍然有效在高熵合金催化剂表面。（4）已发表工作的数据很难全面地整合到一个有效的数据库中。（5）机器学习最关键的挑战是探索合适的、简单的、通用的描述符来准确描述高熵合金催化剂，这也是合理设计具有高催化性能高熵合金催化剂的核心。（6）揭示高熵合金催化剂的结构-性质-性能之间的关系，探索催化领域的新机制，是催化领域一直以来的挑战之一，值得在未来的研究中得到更多的关注。图2. 高熵合金催化剂的研究策略：高通量技术与机器学习驱动的催化剂设计高熵合金催化剂已经展现了巨大的潜力由于其优异的催化性能。但其模糊的结构-性质-性能关系阻碍了高熵合金催化剂的开发。因此，高熵合金催化剂的研究策略应从“试错”法转变为高通量与机器学习相结合的方式设计高熵合金催化剂。随着技术的完善和研究人员的不断努力，高熵合金催化剂的设计将是催化领域中具有里程碑意义的工作。Natural Sciences and Engineering Research Council of Canada (NSERC Discovery Grant # RGPIN-2018-05731); Collaboration Centre in Green Energy Materials (CC-GEM- #2020-0424)
Chen L, Chen Z, Yao X, Su B, Chen W, Pang X, Kim KS, Singh CV, Zou Y. High-entropy alloy catalysts: high-throughput and machine learning-driven design. J Mater Inf 2022;2:19. http://dx.doi.org/10.20517/jmi.2022.23邹宇，多伦多大学材料科学与工程学院助理教授。邹宇教授课题组主要研究方向是使用新颖的实验分析和计算工具来探索具有极端性能或极端条件下的材料，特别是金属材料。研究主题可概括为“4Ms”，主要包含金属（Metal），力学性能（Mechanics），3D打印（Manufacturing）以及机器学习（Machine Learning），覆盖了多种空间尺度和时间尺度。希望推进对社会发展至关重要的领域，如航空航天、生物医学、电子、环境和能源等。在相关领域发表60多篇高水平文章，如Nat. Commun., Acta Mater., Scripta Mater. Nano Research等。
Chandra Veer Singh，多伦多大学材料科学与工程学院副院长，教授。长期从事多尺度计算机模拟探索功能材料的力学性能以及物理化学性能，开发设计新型的能源转换与存储材料。对密度泛函理论，分子动力学以及机器学习等有着丰富的经验。并在此领域发表200多篇高水平文章，其中包括在Nat. Nanotechno., Nat. Catal., Sci. Adv., Matter, J. Am. Chem. Soc., Acta Mater., 等期刊发表工作。
蔻享学术平台，国内领先的一站式科学资源共享平台，依托国内外一流科研院所、高等院校和企业的科研力量，聚焦前沿科学，以优化科研创新环境、传播和服务科学、促进学科交叉融合为宗旨，打造优质学术资源的共享数据平台。
点击阅读原文，查看更多！
