机器学习把催化剂筛选带出已知元素池：闭环实验发现 CO₂ 加氢制乙醇新配方

CO₂ 加氢制乙醇需要 C-O 键活化、C-C 偶联和含氧中间体插入等多种功能在同一催化剂上协同发生，经验试错很难同时搜索金属、助剂、载体和制备条件的巨大组合空间。本文的重要判断是，如果模型只在已出现过的元素组合中插值，便难以发现真正陌生但有效的配方；把元素物性映射为连续描述符，才能让预测跨出原始元素池。

第一步，作者将催化剂配方编码为元素组成加权的物性描述符。表面能、电离能、电负性等不再只是某个元素的标签，而与贵金属、助剂、载体和煅烧条件共同构成可学习的特征向量。这种表示使模型能比较训练集中未出现元素与已知元素在物性空间中的相近性，为外推提供基础。

第二步，闭环把预测和实验连续耦合。作者从 58 个初始催化剂、274 个反应数据点起步，在每轮用模型提名候选、合成并测试后把新结果加入训练集；24 轮共获得 2477 个数据点。模型因此不仅给出单次排序，还会随着失败和成功结果逐步修正对复杂配方的判断。

第三步，作者用可解释性分析和原位表征回到化学问题本身。SHAP 分析识别影响乙醇生成的关键描述符和组分，XAS、AP-XPS、DRIFTS 则分别追踪金属态、表面化学环境和反应中间体。由此形成“外推筛选—性能验证—机理回证”的闭环，而不是将机器学习作为黑箱打分器。

图1 | 闭环机器学习不断扩大 CO₂ 加氢催化剂搜索空间

图1a比较不同元素表示方法的预测准确度，直接输入元素类别的模型难以外推，而元素物性描述符带来更稳定的测试表现。图1b给出 24 轮闭环中催化剂组成和产物分布的演化，图1c汇总不同温度下的 CO₂ 转化与乙醇选择性。该图说明模型并非只筛出一次最优点，而是在连续实验中持续发现更优候选。

图2 | 数据集揭示模型已跨入训练集之外的元素与配方区域

图2a-f分别统计助剂氧化物、促进剂、载体、煅烧温度和反应温度的分布。随着闭环推进，候选从少数常见组分扩展到更多元素和组合。这里的关键不是样本数增加本身，而是模型将实验资源导向了原始数据稀疏的配方区域。

图3 | 可解释性分析给出组分选择的化学线索

图3a用 SHAP 值排序影响预测乙醇时空收率的描述符，图3b-c进一步展示关键元素物性与预测输出的非线性关系。结果将模型推荐转化为可追问的化学问题：哪些组分负责调节活性，哪些组分改变 C-C 偶联或副反应竞争。

图4 | 最优多元素催化剂的结构与元素分工

图4a给出最优配方的显微结构，图4b显示催化剂活化前后的结构变化，图4c-g以原位 XAS 比较 Pd、Cd、Au 等组分在反应前后的局域环境。这些结果支持“多元素并非简单叠加”的解释：不同元素承担不同的电子与表面化学功能。

图5 | 原位谱学捕捉反应气氛下的表面重构与中间体

图5a标出不同反应阶段的气氛切换，图5b-c跟踪 Fe 和 Ce 的吸收边变化，图5d-f比较不同条件下的谱学响应。该图将最佳配方的性能与反应过程中的价态变化、局域配位和中间体演化关联起来。

图6 | 操作态红外比较各组分缺失后的中间体演化

图6a记录最佳催化剂在 CO₂ 与 H₂ 气氛下的时间分辨 DRIFTS 谱，图6b并列去除不同元素后的表面物种响应，图6c-d量化含氧中间体与乙醇生成速率。它给出闭环筛选之后最重要的机理补充：性能提升来自多个元素共同塑造的反应中间体网络。

这项工作的贡献在于证明元素物性驱动的机器学习可以突破固定元素池，并通过大规模闭环实验把外推预测转化为可验证的催化剂发现。其研究边界同样明确：模型学习的是给定制备路线、反应窗口和数据质量下的规律，尚不能替代对长期稳定性、放大制备和全部副反应路径的验证。它提供的是可迭代的发现框架，而不是一次性给出普适最优配方。

对我们的启发是，面对多组分催化体系时，应先把组成、处理过程和性能数据组织成能外推的连续描述符，而不是只按元素名称堆积样本。实验端则应保留失败结果并持续回流模型，使每一轮合成同时服务于性能寻找和规律学习。真正高效的闭环不是“让模型替代实验”，而是让实验更有信息量地修正模型。

本文将机器学习、连续实验与操作态表征结合，用 24 轮闭环在 CO₂ 加氢制乙醇体系中发现了多种高性能多元素催化剂。后续值得关注的是将不确定度、稳定性衰减与工艺成本一起纳入提名策略，并把元素物性外推扩展到更广泛的碳资源转化反应。

声明

1. 版权：推送内容仅供学习交流分享使用，版权归论文作者和单位所有，文章内容仅代表本公众号观点，欢迎批评指正，如有侵权请联系后台删除或修改，感谢支持！

2. 投稿：非常欢迎各位老师在公众号上介绍课题组最新或经典研究成果！后台联系即可。