导读 来自和德国的Skoltech研究人员及其同事提出了一种针对单原子合金催化剂(SAAC)的新搜索算法，该算法找到了200多个尚未报告的候选材料。他们

来自和德国的Skoltech研究人员及其同事提出了一种针对单原子合金催化剂(SAAC)的新搜索算法，该算法找到了200多个尚未报告的候选材料。他们的工作为寻找适用于各种应用的最佳SAAC提供了诀窍。该论文发表在《自然通讯》杂志上。

单原子合金催化剂或SAAC，其中稀有和昂贵的金属(例如铂)的单原子分散在惰性金属主体上，在许多催化反应(包括选择性加氢，脱氢，CC和C中)中都是高效且具有选择性的-O偶联反应，NO还原和CO氧化。这就是为什么将它们用于重要的工业反应中，例如将有机分子氢化以将化学药品升级为高价值产品的原因。

“ SAAC在这些反应中的效率归因于合金成分的协同作用，这些成分可提供有效的氢分子解离而不会与氢原子过度键合。但是，目前尚没有那么多稳定且同时具有催化活性的SAAC，主要是因为到目前为止，它们的设计在很大程度上取决于反复试验。即使在二元合金中，也存在数千种可能的SAAC，它们具有不同的金属组合和表面切割。这使得反复试验的方法效率极低，”谢尔盖·列夫琴科(Sergey Levchenko)，助理教授Skoltech能源科学与技术中心说。

列夫琴科和他的同事们能够基于第一性原理计算来确定准确，可靠的机器学习模型，以描述SAAC的氢结合能，离解能和客体原子离析能。这使他们对数千个SAAC的催化性能做出了更快(可靠千分之一)的可靠预测。

这组作者写道：“该模型正确地评估了经过测试的SAAC的性能。通过使用我们的模型扫描五千多个SAAC，我们发现了200多种新SAAC，它们与现有SAAC相比具有更高的稳定性和性能，”作者写道。

他们使用人工智能从与SAAC催化性能相关的计算数据中提取重要参数(描述符)，并且计算速度非常快。除了实用的模型之外，作者还开发了一种新颖的机器学习方法，用于识别可导致出色催化性能的材料物理性能组合，从而从数据中提取物理知识和理解。

列夫琴科指出：“所开发的方法学可以很容易地适应于设计用于各种应用的新型功能材料，包括电催化(氧还原和氢生成反应)，燃料电池，甲烷重整和水煤气变换反应。”