人工智能辅助设计高性能单原子催化剂的新策略：机器学习与数据挖掘的协同创新

为解决单原子催化剂(SACs)设计中传统试错法效率低、机制不明确的问题，研究人员通过整合机器学习(ML)和数据挖掘(DM)技术，开发了AI辅助设计策略。该研究筛选了10,179种SACs的氧还原反应(ORR)性能，发现金属d带中心(dCSm)和非金属形成能(EFs)是关键活性指标，并实验验证了Co-S2N2/g-SAC催化剂具有0.92 V的半波电位。这项研究显著提升了催化剂设计的透明度和可靠性，为能源材料开发提供新范式。

　　

在能源转换和环境保护领域，高效催化剂的开发一直是科学家们追逐的圣杯。传统催化剂设计如同大海捞针，依赖经验主义和试错法，不仅耗时费力，更难以揭示催化活性背后的深层机制。单原子催化剂(SACs)因其独特的电子结构和近乎100%的原子利用率备受瞩目，但面对数以万计可能的金属-配体组合，如何快速锁定高性能候选材料成为巨大挑战。更棘手的是，经典催化理论如Sabatier原理和d带中心理论在解释SACs活性时频频"失灵"，而传统机器学习模型又往往忽视高性能材料的独特性。

针对这一系列难题，浙江大学的研究团队在《The Innovation》发表了一项突破性研究。他们创新性地融合机器学习(ML)和数据挖掘(DM)技术，开发了一套AI辅助设计策略。研究首先通过密度泛函理论(DFT)计算构建了736种石墨烯基SACs的数据库，采用SISSO（Sure Independence Screening and Sparsifying Operator）机器学习算法筛选关键描述符，结合亚组发现(SGD)方法识别活性规律。随后将模型应用于10,179种SACs的高通量筛选，并通过实验合成验证最优材料。

研究发现金属组分的d带中心(dCSm)和非金属组分的形成能(EFs)是决定ORR活性的关键因素。其中dCSm需≤-1.527 eV以避免过强吸附，DSm（单原子密度）需≤12.88 g/cm³，EFs需≥1.932 eV。基于此设计的Co-S₂N₂/g-SAC展现出创纪录的0.92 V半波电位，质量活性达到商业Pt/C的10倍。在锌空气电池测试中，其功率密度达181.4 mW cm^-2，远超Pt/C基准(132.4 mW cm^-2)，且稳定性超过1,300小时。

这项研究的意义在于：一是建立了可解释的AI辅助设计框架，将传统试错法的成功率从14%提升至60%；二是揭示了SACs中金属与非金属组分的协同作用机制；三是开发的Co-S₂N₂/g-SAC为目前报道的最高效ORR催化剂之一。该成果不仅为催化剂设计提供了新范式，其"描述符发现-机制解析-实验验证"的研究思路也可推广至其他功能材料开发领域，加速能源材料的创新进程。