高熵合金由多种主元素近等摩尔组成，表面具有高度化学无序和丰富局域原子环境，因此能够产生准连续的吸附能分布，为电催化反应提供大量可调控活性位点。
对于析氢反应而言，这种多样性意味着材料可能同时优化*H吸附和*OH相关步骤，从而突破传统单一金属或简单合金的性能边界。难点在于，高熵合金的组合空间会随元素数量快速膨胀，哪怕只考虑五元等比例合金，也会形成上万种候选成分。
常规DFT逐一计算或实验试错难以覆盖如此庞大的空间，而许多机器学习模型又依赖体系专属大数据集，难以泛化到复杂无序合金。
该研究的核心思路是把问题拆成两个层级：先用位点级机器学习势捕捉无序表面上大量活性位点的吸附能分布，再用可解释的成分级物理描述符把这种统计活性转化为快速筛选规则。这样既保留了原子尺度信息，又具备面向大规模成分空间的筛选效率。
近日，清华大学张亮、山东大学蔡彬在Advanced Functional Materials发表了题为"Hierarchical Site-to-Composition Machine Learning for High-Entropy Electrocatalysts Design"的研究论文，Shiyu Zhen、Lingwei Wang 为论文第一作者，张亮、蔡彬为论文通讯作者。
核心亮点
1. 提出HS2C-ML分层机器学习框架，把原子位点级吸附能预测与合金成分级筛选连接起来。
2. 通过迁移学习微调机器学习势，快速预测复杂HEA表面*H和*OH吸附能，RMSE分别达到0.11 eV和0.13 eV。
3. 引入二维核密度火山图，用吸附能分布而非单个位点评价高熵合金HER活性，更符合无序表面的统计特征。
4. 采用SISSO构建可解释成分描述符，直接从元素物性预测催化表现，实现约16000种五元HEA高通量筛选。
5. 实验合成CuZnPtRuRh高熵合金纳米颗粒，在碱性HER中仅需26 mV过电位即可达到10 mA cm⁻²，并实现100 h稳定运行。
📄 全文速览
高熵合金因其独特的表面化学无序性和丰富的活性位点分布，在析氢电催化领域具有巨大潜力。然而，庞大的成分空间给理性催化剂设计带来了根本挑战。该工作提出一种分层位点到成分机器学习框架，即HS2C-ML，用于加速发现高效碱性析氢反应高熵合金催化剂。
在位点层面，经过微调的位点分辨机器学习模型能够在复杂高熵合金表面快速预测*H和*OH吸附能，并基于吸附能分布实现高通量活性评价。
在成分层面，物理信息引导的稀疏算子算法建立了合金成分与催化性能之间的可解释关系，使研究人员无需显式原子级计算即可直接筛选数千种成分。通过筛选约16000种高熵合金成分，该研究在计算上优先锁定了一系列具有良好碱性HER预测活性的候选材料；
这些预测成分空间的相关性得到部分文献报道的一致性支持，并通过一种代表性催化剂的合成和电化学评价得到验证。该工作为高维高熵合金成分空间中的数据驱动催化剂设计提供了通用且可扩展的策略。
📊 图文解读
图1 | HS2C-ML框架通过机器学习势微调、位点级与成分级双层建模，实现碱性HER高熵合金催化剂高通量发现。
图1展示了整个HS2C-ML流程：先微调预训练机器学习势预测吸附能，再把位点分辨活性评价与成分分辨可解释模型结合，最终面向碱性HER筛选高活性候选合金。
图2 | 碱性HER关键步骤依赖*H和*OH吸附，微调后的MLP可接近DFT精度预测复杂HEA表面吸附能。
碱性HER涉及水解离、*H形成和*OH脱附等关键速控步骤，因此*H与*OH吸附能是判断活性的核心指标。
原始模型用于HEA体系时泛化不足，经过针对性HEA数据集微调后，MLP对外域数据的*H和*OH吸附能预测RMSE分别为0.11 eV和0.13 eV，达到可用于大规模表面采样的精度。
图3 | 核密度火山图把HEA表面大量位点的吸附能分布转化为概率加权的HER活性评价。
由于HEA表面局域构型高度多样，单个位点吸附能难以代表整体催化表现。研究团队对每种成分采样超过1000个表面位点，并构建*H/*OH二维核密度分布，与HER火山图叠加得到最大密度中心MDC。MLP得到的MDC与DFT结果高度一致，*H和*OH方向R²分别为0.99和0.98。
图4 | SISSO从元素物性中识别可解释吸附描述符，实现HEA成分到活性的快速预测。
为避免对全部成分逐一进行位点级采样，研究人员引入SISSO算法，将d电子数、原子半径、电负性等九类元素物性与MLP得到的MDC关联起来。
最优描述符在*H和*OH吸附预测中的测试RMSE分别为0.15 eV和0.18 eV，其中d电子数是重要特征，说明模型兼具预测能力和物理可解释性。
图5 | 基于物理描述符的大规模筛选锁定高活性HEA组合，并预测CuZnPtRuRh具有优异碱性HER潜力。
研究团队将SISSO描述符应用于整个HEA成分空间，把预测MDC投影到碱性HER火山图上，并成功覆盖16种已有实验验证的高性能HEA。
聚类结果显示含Re、W、Fe、Cu的合金更容易表现出高活性，W-Cu、W-Fe、Re-Pt和Re-Au组合高活性比例接近30%。CuZnPtRuRh同时被SISSO和MLP预测为高活性候选。
图6 | 实验合成的CuZnPtRuRh纳米颗粒结构均一，并在碱性HER中展现低过电位和长时稳定性。
研究人员通过油相法合成CuZnPtRuRh HEA纳米颗粒，TEM显示颗粒约5 nm，HAADF-STEM、XRD、EDS和XPS共同证明其形成均匀金属态高熵合金结构。
电化学测试中，CuZnPtRuRh/C在10 mA cm⁻²下过电位仅26 mV，低于Pt/C的96 mV，Tafel斜率为60 mV dec⁻¹，并在100 h恒流测试中仅出现108 μV h⁻¹的轻微衰减。
📝 总结
该工作提出一种两级HS2C-ML框架，用于加速并精准设计面向析氢反应的高熵合金电催化剂。在第一层级，经过微调的原子间势能够可靠预测化学无序HEA表面上的*H和*OH吸附能；
结合二维核密度分析和三维活性火山图后，该策略能够捕捉活性位点的统计分布，并以具有物理意义的方式量化催化性能。在第二层级，SISSO算法推导出可解释描述符，将元素物理性质与催化活性关联起来，使研究人员无需原子级结构建模即可进行高通量成分筛选。
该框架应用于大规模HEA设计空间后，识别出数百种预测活性超过Pt的候选材料，其中CuZnPtRuRh被成功合成并通过实验验证。该研究建立了一种可扩展、可解释的复杂多元素体系催化剂发现策略，也为其他电催化反应的理性设计提供了可推广范式。
Hierarchical Site-to-Composition Machine Learning for High-Entropy Electrocatalysts Design, Advanced Functional Materials, 2026, DOI:10.1002/adfm.77313
#清华大学#张亮#山东大学#蔡彬#AFM#催化
