研究进展 | Adv. Funct. Mater.：关于应变调控电催化及机器学习指导催化剂设计的综述
- 发布时间：
- 2024-10-18
- 文章标题：
- 研究进展 | Adv. Funct. Mater.：关于应变调控电催化及机器学习指导催化剂设计的综述
- 内容：
全文速递
近日，西安交通大学航天航空学院刘益伦教授团队在国际知名期刊《Advanced Functional Materials》发表了一篇关于应变调控电催化及机器学习指导催化剂设计的综述报告。该综述阐述了基于外场调节的活性增强机制，介绍了外场调控对催化剂电子结构及催化性能的影响。此外，该文简要回顾了新兴机器学习技术在电催化设计中的应用，包括模拟大规模和动态化学反应过程的机器学习原子间势，数据驱动的电催化性能设计和优化。最后，该综述强调了机器学习技术与外场调节相结合的巨大潜力，是优化或逆向设计电催化剂的有效工具，并且同时考虑热力学和动力学因素以及极端外场下电催化剂表面的动态效应。
内容概述
1. 电催化的力学场效应 在应变场的作用下，原子发生重排，导致应力重新分布，改变了电催化剂的电子结构，包括态密度（DOS）、能带和d带中心，直接影响电催化剂的吸附性能和电催化活性（图1）。因此，应变场作为一种有效的手段来调节材料的电催化行为。与传统方法如缺陷引入、掺杂、合金化和化学改性相比，应变调节通过施加外部影响而不需要电催化剂本身的改性而呈现出显著的优势。在调控催化方面，应变场调控有望打破限制催化剂反应过渡态的标度关系（图2）。此外由核壳结构界面失配，表面应变、曲率工程产生的表界面效应（图3）和掺杂引起的局部应变效应（图4）都影响着活性位点与反应物、中间体和产物之间的相互作用，从而影响它们的吉布斯自由能，并最终优化固有的电催化活性。
图1. d带结构与催化剂的应变效应
图2. 应变工程打破了电催化标度关系
图3. 表面效应对电子结构和电催化的影响
图4. 掺杂残余应变对电子结构和电催化效率的影响
2. 其他外场效应
该综述阐述了电场效应和磁场效应对电化学反应的影响。电场部分着重讨论三种不同类型的电场的影响：界面电场、局部电场和外加电场。电场可以在其作用范围内对带电离子施加静电力，影响局域电场内离子的浓度分布。由于介电属性的不同，它对不同的带电离子表现出吸引或排斥作用，最终提高电催化剂的反应活性（图5）。磁场部分从1)磁热效应，2)磁流体效应，3)开尔文应力效应，4）麦克斯韦应力，5)自旋极化效应这几个方向阐述磁效应的引入可以直接有效地影响电化学反应过程（图6）。
图5. 电场对电催化剂的影响
图6. 磁场对电催化剂的影响
3. 机器学习指导设计 DFT的高昂计算成本使得其对于电催化剂发现所需的系统规模和搜索空间而言是不可行的。随着外场的引入，设计空间急剧扩大，加剧了催化剂搜索和筛选的复杂性。考虑到外场和电催化剂/反应物结构之间复杂的耦合相互作用，MLIP有望为这一挑战提供有前景的解决方案（图7）。在直接在可解释的文本数据上训练基于transformer的模型也表现出非常高的精度。这种方法消除了通常用于构建GNN模型的图形表示的精确原子坐标的需要，对吸附物-电催化剂体系吸附能的预测有着重要作用（图8）。此外机器学习对反应路径搜索，阐明反应机理等方面发挥着关键作用（图9），在结合主动学习（图10），外场下的DimeNet++ GNN架构（图11）的基础上，机器学习对催化剂的优化设计和筛选的优势也更加明显。
图7. 机器学习势函数在电催化领域中的应用
图8. 吸附物-电催化剂体系吸附能的预测
图9. 基于扩散模型的TS结构搜索
图10. 主动学习对于电催化剂的设计
图11. 基于OCP数据集和DimeNet++架构考虑应变效应的高效电催化剂筛选
关于作者
论文的共同第一作者为课题组的硕士研究生王磊和深圳大学化学与环境工程学院的周戌燕博士，通讯作者是本课题组的陈炎助理教授和刘益伦教授。该工作得到了国家自然科学基金、陕西省自然科学基础研究项目等资助。西安交通大学航天航空学院刘益伦教授团队长期招收研究生和博士后，欢迎有意者联系。
原文链接 https://onlinelibrary.wiley.com/doi/10.1002/adfm.202408870