华电刘志坚杨维结/日本东北大李昊/悉大魏力Angew：基于局域原子环境描述符的通用催化剂设计框架加速高效过氧化氢电合成

第一作者：刘志坚

通讯作者：杨维结*，李昊*，魏力*

单位：华北电力大学、日本东北大学、悉尼大学

研究背景

过氧化氢（H₂O₂）作为重要的绿色氧化剂，在化工、环境与能源存储等领域具有广泛应用。传统蒽醌法制备能耗高、污染严重，因此通过电化学方式实现可持续、高效率的H₂O₂生产成为重要发展方向。其中，两电子水氧化反应（2e^- WOR）无需外供氧气，流程简洁、环境友好，被视为下一代H₂O₂合成技术的关键路径。然而，当前用于2e^- WOR的催化剂类型复杂，包括金属间化合物、金属氧化物、钙钛矿和单原子催化剂等。不同体系的局域活性位结构差异显著，使得构建一个具备“跨材料体系适用性”的统一设计方法成为长期难题。同时，DFT计算成本高、材料库庞杂，使大规模催化剂筛选变得极具挑战。因此，亟需一个能够统一描述不同催化体系结构—性能关系、准确预测关键吸附能并实现快速筛选的通用计算设计框架，以推动高效H₂O₂电合成催化剂的研发。

文章简介

近日，华北电力大学刘志坚、杨维结，日本东北大学李昊，悉尼大学魏力团队合作，构建了一套面向两电子水氧化反应（2e^- WOR）过氧化氢电合成的通用催化剂设计框架。研究团队提出以“局域原子环境描述符”为核心的加权原子中心对称函数（wACSF），能够在金属间化合物、金属氧化物、钙钛矿以及单原子催化剂等不同体系中保持统一的结构描述方式，并精准刻画活性位的几何—电子双重特征。该框架将wACSF与机器学习预测模型及微观动力学火山模型深度耦合，成功突破了传统方法在跨材料体系催化剂设计中的通用性瓶颈。

利用本方法，模型在ΔG_OH*与ΔG_O*的预测中分别达到R²=0.84和0.91的高精度，并进一步构建了可与实验直接比对的2e^- WOR微观动力学火山图，通过大规模筛选从3312个候选体系中成功预测出性能最优的LiScO₂催化剂。在电化学测试中，LiScO₂在2.2 V vs. RHE下的H₂O₂法拉第效率高达90%，并在流动电解体系中保持168小时稳定运行，表现出与理论预测高度一致的活性与选择性。

通过特征重要性分析与动力学模拟，研究揭示了决定2e^- WOR活性的关键参数来源于中心原子的电负性及受电子结构调控的局域配位环境，可有效指导未来不同体系催化剂的统一化设计策略。该工作首次从结构描述、吸附能预测到动力学筛选构建了一条端到端的数据驱动路线，为高效H₂O₂电催化剂的设计提供了普适方法。相关成果以“Universal Catalyst Design Framework for Electrochemical Hydrogen Peroxide Synthesis Facilitated by Local Atomic Environment Descriptors”为题发表在《Angewandte Chemie International Edition》。

研究亮点

(1)通用催化剂描述符体系的构建：研究团队基于原子中心对称函数（ACSF）引入电负性、价电子数等化学信息，开发了适用于多材料体系的加权描述符wACSF，实现了对金属氧化物、金属间化合物、钙钛矿及单原子催化剂等多类材料的统一结构刻画。该描述符能够同时反映局域几何环境与电子结构特征，为跨体系吸附能预测提供一致表示。

(2)2e^-WOR活性预测与催化剂筛选：研究团队利用wACSF构建机器学习回归模型，实现对关键吸附能ΔG_OH*与ΔG_O* 的高精度预测（测试集R²分别达0.84与0.91）。在此基础上，通过微观动力学火山模型定量评估不同材料对2e^- WOR的活性，并对3312个候选材料进行高通量筛选，最终预测出以LiScO₂为代表的高效催化剂体系，并在实验中得到验证，其H₂O₂法拉第效率最高可达90%。

(3)结构–性能关系机制揭示：通过特征重要性分析与理论计算，研究明确了影响2e^- WOR活性的核心因素，包括活性中心的电负性、金属–氧配位环境以及表面电子占据特征。相关分析表明，局域原子环境对吸附中间体稳定性的调控是决定活性与选择性的关键。该机制解释了不同材料体系下催化性能差异的来源，为构建跨体系通用设计策略提供理论依据。

图文导读

本研究所构建的通用催化剂设计框架的核心思想是将材料基因表达、自动化特征工程、机器学习预测与微观动力学模型有机耦合，实现跨体系、高通量的催化剂性能评估。首先，从DigCat平台中选取包括金属合金、金属氧化物、钙钛矿以及单原子催化剂在内的四类典型材料，并对其活性位点计算径向与角度对称函数G_i，为后续的结构特征表征奠定基础。随后，通过汇总中心原子及其配位原子的电负性Nm与价电子数V，构建原子化学环境特征，并将G_i依照ΣN_m与ΣV加权生成两类加权对称函数A_i与B_i，从而形成具有更强化学物理意义的wACSF描述符。该wACSF与催化剂的固有元素特征（包括电负性、原子序数、原子半径、电离能、电子亲和能与价电子数）共同组装成输入特征矩阵，而吸附自由能ΔG_OH*与ΔG_O* 则作为输出目标，建立起活性位吸附行为与材料指纹之间的映射关系。基于此特征矩阵，研究团队进一步采用相关性分析与递归特征消除筛除冗余特征，形成高质量的训练输入；继而训练多种机器学习模型并选出最优模型，用于对未见催化剂体系进行吸附能预测。预测得到的吸附能将被纳入微观动力学火山模型，与DigCat数据库中的实验值进行基准验证，以确保模型的物理可信度。最终，结合ML推断与微观动力学筛选，可高效识别潜在高活性、高选择性的催化剂，实现从数据驱动到催化剂发现的全流程自动化设计。

【图1】

在ΔG_OH* 的训练集中，散点沿对角线方向分布，相关系数为 0.93，均方根误差为 0.32 eV；在测试集中，散点围绕对角线排列，相关系数为 0.84，均方根误差为 0.52 eV。在ΔG_O*的训练集中，散点呈现紧密的线性对应关系，相关系数达到 0.97，均方根误差为 0.36 eV；在测试集中，散点保持与对角线的线性对应趋势，相关系数为 0.91，均方根误差为 0.65 eV。

【图2】

为揭示模型在吸附自由能预测中对不同特征的依赖关系，本部分对两类吸附中间体的特征重要性进行了系统分析。首先，在针对∆G_OH* 的特征排序中，N_m显著高于其他特征，形成最主要的贡献项，其后依次为B₆、B₂₁、V等特征，显示出这些参数在模型输出中的相对权重。在对单项特征的SHAP分布进行展开后可以观察到，N_m在不同样本中呈现出较大范围的取值变化，对预测结果的影响最为明显。随后，对∆G_O* 的特征重要性进行对比，N_m依然位于最主要的特征位置，且在排序中占据更高的比例，而B₁₉、B₄、N等特征分列其后，对模型具有中等程度的影响。在SHAP散布图中，N_m的取值分布同样显示出高度离散性，反映其在不同材料体系中对预测结果的普遍影响；同时，诸如B₆、B₂₁、V等特征在样本间呈现明显的正负波动，体现其在不同局部环境下对吸附能预测所产生的特征依赖。

【图3】

微观动力学火山图展示了不同催化材料在2e⁻WOR中的活性分布，实验测得的电流密度以金属氧化物、钙钛矿、金属掺杂氧化物以及有机网络材料的符号区分，并分布在ΔG_OH* 的不同区间内。随后给出的微观动力学与热力学火山图中，圆形标记对应模拟得到的交换电流密度，菱形标记对应极限电位，两组数据在相同的材料体系下保持一致的颜色标识，使不同催化剂在两种模型中的表现能够一一对应。在吸附能标度关系中，962个催化剂表面的ΔG_O*与ΔG_OH* 被同时呈现，图中给出了两者的拟合关系式以及相应的置信区间和预测区间，不同材料体系以各自的颜色标注其在吸附能空间中的位置。材料筛选流程依次列出了候选数量在各筛选条件下的变化，包括对4e⁻WOR的抑制要求、吸附能范围限制以及最终满足活性标准的候选集合，完整呈现了从初始材料库到最终筛选结果的数量收敛过程。

【图4】

对145个初筛材料的2e⁻WOR活性分布进行了呈现，各类催化剂在微观动力学火山曲线的不同位置上形成聚集，并以金属氧化物、金属合金、钙钛矿及单原子催化剂的类别标识出对应的材料点位。在更大规模的材料预测中，3312个候选结构的吸附能结果被绘制在以ΔG_OH* 和ΔG_O* 为坐标的选择性分布图中，不同材料类型在吸附能空间内展现出各自的分布区域，并显示出满足筛选区间的候选区域范围。随后，从预测数据中筛选得到的12种材料被再次置于微观动力学火山曲线上，其对应的活性位置以不同颜色标识，同时展示出部分材料位于曲线的高活性区域。对这12个候选材料的吸附能差异进行了进一步对比，图中以小提琴图展示了ML预测值与DFT计算值之间的差异分布，所有材料的误差均集中在较窄范围内，ΔG_OH* 与ΔG_O* 的点位在误差带中形成聚集。

【图5】

XRD测试给出了样品与标准卡片对应的衍射峰位置。透射电镜在低倍下观察到由较小颗粒构成的凝聚形貌，而在高分辨成像中可以看到延伸入晶体内部的晶格条纹。进一步放大图像中标记的区域，可辨认出与（101）晶面相对应的0.382 nm间距，同时在其外层可观察到约1 nm厚度的低结晶表层。STEM与EDX元素分布图呈现了Sc与O在颗粒中的均匀分布特征。XPS全谱进一步展示了样品中Li、Sc与O的存在，而随后的高分辨能谱分别给出了Li 1s、Sc 2p与O 1s的峰形组成。Sc 2p的分峰包含多组分结构，O 1s的分峰中可看到氧化物、氢氧化物及少量吸附水对应的信号。电化学性能测试中，LiScO₂在WOR反应中的极化曲线与NiPc/CNT的对照结果同时呈现，两者在不同电位下的H₂O₂法拉第效率变化被同步记录。实验活性与理论预测在吸附能关系图中进行了逐点对照，LiScO₂与参考催化剂的部分电流密度在同一坐标内展示。稳定性测试记录了LiScO₂在流动电解槽条件下的长时间电流密度，并定时测量了H₂O₂的法拉第效率，两者在整个168小时周期内维持在稳定范围内。

【图6】

结论

本研究构建了基于加权对称函数（wACSF）的高维材料基因特征体系，并结合机器学习回归模型实现了对2e⁻WOR吸附自由能的高精度预测。通过大规模结构数据库的系统分析，结果显示中心金属原子的电子特性及其局域配位环境对ΔG_OH* 与ΔG_O*具有主导作用，而径向与角度加权的对称函数能够有效捕捉配位原子间的几何与电子相互作用，从而成为决定催化活性的关键特征。基于吸附能关系和微观动力学火山模型，研究建立了科学的筛选准则，并在3312个材料中逐级筛选出12种具有潜力的2e^-WOR高效催化剂。其中，理论预测的代表性材料LiScO₂在实验中表现出显著的2e^-WOR活性，其H₂O₂法拉第效率可达90%以上，并在长时稳定性测试中保持优异性能；其吸附能趋势与模型预测高度一致，验证了所构建框架在催化剂发现中的可靠性与实用性。本研究实现了从特征构建、性能预测到实验验证的完整闭环流程，为高效H₂O₂电合成催化剂的快速筛选提供了新途径，也为构建通用的吸附能驱动设计策略奠定了方法基础。

论文信息

Universal Catalyst Design Framework for Electrochemical Hydrogen Peroxide Synthesis Facilitated by Local Atomic Environment Descriptors

Zhijian Liu, Yan Liu, Yuqi Zhang, Yeyu Deng, Zhong Zheng, Ruth Knibbe, Tianxiang Gao, Mingzhe Li, Ziye Wang, Bingqian Zhang, Xue Jia, Di Zhang, Heng Liu, Xuqiang Shao, Zhengyang Gao, Li Wei*, Hao Li*, and Weijie Yang*

论文链接：https://onlinelibrary.wiley.com/doi/10.1002/anie.202518027

作者信息：

刘志坚，华北电力大学二级教授，博士生导师，科学技术处处长。国家“万人计划”领军人才，国家优秀青年科学基金、河北省杰出青年科学基金获得者，首批全国高校黄大年式教师团队核心成员。主要从事建筑环境生物安全、生物气溶胶空气动力学、分布式能源等领域的研究工作。入围全球前2%科学家榜单，获河北省科学技术进步一等奖2项。以第一或通讯作者发表包括Nature、Cell子刊在内学术论文160余篇，其中SCI论文130余篇，累计引用次数6000余次，H值41，并担任Building and Environment、Journal of Building Engineering等5本SCI期刊编委。参与制/修订国家、行业标准5项，主/参编著作5部。授权发明专利32件，转化3件。

魏力，2011年博士毕业于新加坡南洋理工大学，现任澳大利亚悉尼大学高级讲师，澳大利亚研究理事会(ARC)未来研究员，研究方向为高性能电催化剂开发，开发纳米尺度上实现对材料组装控制的新方法。至今已在杂志发表论文170多篇，包括Advanced Materials, Advanced Energy Materials, Energy & Environmental Science, Journal of American Chemcial Society等权威杂志。

李昊，杰出教授，日本东北大学（Tohoku University）材料科学高等研究所（WPI-AIMR）终身卓越教授（Distinguished Professor，为日本学术体系中的最高荣誉，也是日本唯一一位获得该荣誉的中国人），“数字材料实验室（DigMat）”负责人。日本历史上最年轻的终身正教授之一。李昊教授长期专注于人工智能与材料设计的交叉研究，在催化与材料理论、机器学习算法开发以及新型催化剂设计等方面取得了多项突破性成果。他主导开发了多项具有全球影响力的数字材料技术平台。截至目前，李教授已在Nature Catalysis、Nature Communications、Journal of the American Chemical Society 、Angewandte Chemie、Advanced Materials等顶级期刊发表论文300余篇，总引用次数过1.5万次。他的研究成果为人工智能与材料科学的产业化应用奠定了坚实基础。李教授曾获多项国际荣誉，包括“表面科学青年学者”称号（2022年美国化学年会）以及 AIChE“年度最佳基础学科研究”奖，并连续多年入选全球高被引科学家。他主持/联合主持了多个重大科研基金项目，累计超过2亿人民币。并多次受邀在世界顶尖高校和国际会议上作学术报告（累计超过100场）。担任AI Agent期刊的创刊主编。

杨维结，副教授，氢能科学与工程教研室主任，研究方向为“机理-数据”双驱动的氢储能材料设计与装备研发。目前，第一/通讯共发表80余篇，Google学术总被引8000余次，H指数50，6篇封面论文。2022-2024年连续3年，入选斯坦福大学评选的Top 2% Scientists Worldwide榜单，2025年入选科睿唯安高被引科学家。获得2023年中国检验检测学会科学技术进步二等奖《储氢系统关键检测技术研究及标准化》（排名3/15）。担任AI Agent期刊的副主编。