理解在各種環(huán)境和條件下的界面、界面相、體相等活性相對于開發(fā)先進的異相催化劑非常關(guān)鍵。通過理論模型描述這些相面臨著許多挑戰(zhàn)，包括各種原子結(jié)構(gòu)的生成和計算。
有鑒于此，廈門大學李劍鋒教授、鄭世勝、北京大學潘鋒教授等報道一種自動高效探索活性相的框架。
本文要點：
（1）
這種理論計算框架利用拓撲算法的優(yōu)勢，能夠持久性和同源性的系統(tǒng)采樣，對材料的不同配位環(huán)境和形貌系統(tǒng)采樣。
并且高效機器學習力學場能夠?qū)崿F(xiàn)快速的計算。作者在兩個體系中進行計算，展示了這種框架的高效應(yīng)用：分別是Pd上的氫吸附，其中氫能夠滲透到Pd的次界面和體相，包括“hex”重構(gòu)用于CO2電化學還原，對50,000個樣品結(jié)構(gòu)進行探索；
Pt簇的動態(tài)氧化，其中氧摻入導致簇在ORR反應(yīng)中的活性降低，對100,000個樣品進行研究。
（2）
在兩個體系中，預測的活性相以及對催化反應(yīng)機理的影響與以往報道的實驗結(jié)果相符。這項研究結(jié)果提出的策略能夠?qū)碗s催化體系進行建模，探索特定環(huán)境下的活性相。
參考文獻
Zheng, S., Zhang, XM., Liu, HS. et al. Active phase discovery in heterogeneous catalysis via topology-guided sampling and machine learning. Nat Commun 16, 2542 (2025).
DOI: 10.1038/s41467-025-57824-4
https://www.nature.com/articles/s41467-025-57824-4
