南开/郑大 张旭博士、周震教授AFM：一种电催化剂研发的通用机器学习框架

第一作者：陈乐添

通讯作者：张旭*，周震*

单位：南开大学，郑州大学

人们对环境污染和化石燃料枯竭日益关注，迫切需要找到一种清洁和可持续的能源。氢气由于其高能量密度和零碳排放而被认为是最有前景的替代能源之一。为了开发用于绿色制氢的高效电催化剂，人们付出了巨大的努力。机器学习(ML)的引入为电催化剂的设计带来了新的机遇。

然而，目前ML方法在电催化剂开发中的效率和准确性受到两个主要问题的严重阻碍，即高精度的电子或几何结构的高计算成本，以及那些易获得和相对简单的物理和化学性质带来的巨大误差。特别是对于吸附过程发生严重表面重构的催化剂而言，借助初猜的吸附结构很难准确预测其催化性能，而结构优化需要多步的原子弛豫计算，产生高的计算成本。因此，急需一种高效准确的方法用于平衡高通量计算的效率和准确性。

基于此，来自南开大学和郑州大学的周震教授团队，在国际知名期刊Advanced Functional Materials上发表题为“A Universal Machine Learning Framework for Electrocatalyst Innovation: A Case Study of Discovering Alloys for Hydrogen Evolution Reaction”的文章。

该工作提出了一种通用的ML框架，通过使用局域机器学习势(MLP)实现局部结构优化，有效地获得准确的结构描述符，通过将简单的物理性质与图卷积神经网络相结合，从2973个候选材料中成功筛选出43个高性能合金作为潜在的析氢电催化剂。

基于该框架确定的部分最佳候选材料已经在实验中得到验证。对不在数据集中的银钯合金，通过模拟真实电催化环境的从头算方法进行了系统的研究，进一步验证了该框架的可靠性。更重要的是，通过MLP局部优化的结构描述符作为机器学习模型的输入可以平衡计算效率和精度，在可比精度下，计算速度可提高100倍，为高性能电催化剂的设计建立了一个新范式。

图1. 高通量筛选电催化剂的框架示意图.

催化剂吸附反应过程，其表面往往伴随着表面重构。最终结构相较于初猜结构具有较大差异甚至吸附位点也可能发生变化，因此结构描述符的准确与否影响着机器学习模型的准确性。通过比较基于初猜结构(MAE 0.294 eV)和最终结构(MAE 0.168 eV)训练的晶体图卷积神经网络性能，证明了这一观点。

图2. 由 (a) 初始和 (b) 最终吸附构型作为输入训练的CGCNN模型的性能.

要点二：机器学习势模型的选取

近年来涌现出许多种机器学习势模型，包括高维神经网络，高斯过程势函数等。这些机器学习势模型大多依赖于人为提出的描述符，如原子中心对称函数（ACSF），原子位置平滑重叠（SOAP）等。然而，考虑到高通量计算涉及的多元素种类，这类描述符往往伴随着“维度爆炸”问题。因此，该工作选择了基于图卷积神经网络的SchNet模型，并测试了其在合金体系的准确性。

要点三：基于SchNet模型最终结构描述符提升CGCNN模型性能

该工作利用构建吸附能数据集时基于第一性原理方法得到的优化轨迹训练了SchNet模型，充分利用了计算产生的数据。同时，借助SchNet模型发展了一种计算器用于结构优化。这些结构作为CGCNN模型的输入，极大提高了CGCNN模型的准确性（MAE 0.231 eV）。此外，该研究借助Mean-Shift聚类模型分析比较了初猜结构与最终结构的不同，并比较分析了SchNet模型优化的结构与最终结构的区别。

图3. SchNet模型的 (a) 能量和 (b) 力性能. (c) 基于最终构型训练的CGCNN模型的性能.

要点四：训练的模型对初猜结构和最终结构预测性能的比较

对于用初猜结构训练的CGCNN模型（模型1）预测同一个体系的不同初猜结构，其预测结果差异较大。然而，模型1在预测最终结构时表现出比预测初猜结构更好的性能(MAE 0.278 eV)。而用最终结构训练的模型（模型2）去预测初猜结构时却仍表现出极差的性能(MAE 0.477eV)。用模型2去预测SchNet计算器优化的结构时能表现出较好的性能（MAE 0.204 eV）。这些结果说明，结构的准确与否不仅影响模型的训练性能还影响模型的预测性能。

要点五：对不在训练数据集中的潜在催化剂进行了具体的计算

利用此框架，该工作从2973种合金中筛选出了43种潜在的析氢反应催化剂。并对不在训练数据集中出现的AgPd合金进行了详细的计算研究，其计算结果与机器学习模型预测结果一致。该工作计算模拟了真实电催化环境下的反应体系，结果表明AgPd合金是优良的全pH析氢反应电催化剂，与之前的实验结果能较好的吻合。

图4. (a) 体系总能量与施加电压的函数关系. (b) AgPd不同位点吸附能与施加电压的函数关系. (c) 不同位点ΔGH*与施加电压的函数关系. (d) 不同位点吸附能和施加电压及pH的函数关系.

A Universal Machine Learning Framework for Electrocatalyst Innovation: A Case Study of Discovering Alloys for Hydrogen Evolution Reaction

张旭博士，山东淄博人。2014年本科毕业于南开大学化学学院化学专业。2019年毕业于南开大学材料科学与工程学院材料物理与化学专业，获工学博士学位。现为郑州大学化工学院直聘研究员。研究揭示了MXene等多种二维材料的物理化学特性和潜在应用，部分结果为实验验证；发展了层状和二维材料高通量筛选方法，筛选了钠离子电池材料和光解水催化剂；通过数据库与机器学习结合设计了多种单原子电催化剂，并揭示动态催化机理；利用机器学习算法筛选高效电催化剂。

在J. Am. Chem. Soc.、Adv. Funct. Mater.和J. Phys. Chem. Lett.等期刊发表第一/通讯作者论文30余篇。论文被引用4300余次，主要研究方向为电催化过程模拟、高通量计算与机器学习。

主持国家863计划、国家重点研发计划项目课题和国家自然科学基金重点项目等多项研究。在Chem. Soc. Rev.、Angew. Chem. Int. Ed. 和Adv. Mater.等期刊发表论文300余篇，论文他引30000余次，个人H因子101。

投稿请联系contact@scimaterials.cn