使用贝叶斯优化计算可编程催化剂的最优程序

《Computers & Chemical Engineering》:Computing optimal programs for programmable catalysts using Bayesian optimization

【字体: 大 中 小 】 时间:2026年10月23日 来源:Computers & Chemical Engineering 4.9

编辑推荐:

   •提出一个用于计算可编程催化最优程序的框架。 •将最优控制技术与贝叶斯优化相结合。 •识别复杂反应网络的最优程序。 •探索可编程催化行为的极限。 1. 引言 催化剂是化学制造中的关键材料,因为它们能够通过创造和控制反应路径来最大化反应性能。多相催化剂通过使反应物从主体流体

  

•提出一个用于计算可编程催化最优程序的框架。
•将最优控制技术与贝叶斯优化相结合。
•识别复杂反应网络的最优程序。
•探索可编程催化行为的极限。

1. 引言

催化剂是化学制造中的关键材料,因为它们能够通过创造和控制反应路径来最大化反应性能。多相催化剂通过使反应物从主体流体吸附到催化剂表面来改变反应路径。在表面上,物种可以发生反应生成期望的产物。由于催化剂的影响,这些表面反应所需的能量比在主体流体中发生的反应更为有利。期望的产物脱附进入主体流体,从而空出表面活性位点以供更多反应物吸附。通过施加外部刺激(例如来自激光的光子或电压),可以改变吸附物种的结合能,从而改变催化剂的反应特性(Shetty 等,2020)。

传统上,控制催化剂性能的最高效方法是在表面反应速率与脱附速率达到平衡的状态下运行催化剂,遵循所谓的 Sabatier 原理(Sabatier,1922)。如果催化剂与物种之间的相互作用太弱,反应物将无法吸附,表面反应也就无法发生。相反,如果相互作用太强,生成的产物就无法轻易从表面脱附。这种反应速率的平衡会导致所谓的火山型曲线(如图 2 所示),其中峰值表示整体催化剂性能达到最大的条件(Bligaard 等,2004)。

下载:下载高分辨率图片(208KB)
下载:下载全尺寸图片

图 1. 程序设计框架概览。首先定义并构建基函数。然后将基函数组合成更复杂的程序。该程序用于改变催化剂的行为。随后收集实验结果,并计算关键性能指标。

近年来,一种新的范式应运而生,其目标是使催化剂性能突破 Sabatier 极限,从而催生了可编程催化剂的发展。在传统催化中,催化剂表面是静态的,运行在平衡表面反应速率与脱附速率的单一状态上。而在可编程催化中,催化剂通过时间依赖的外力(如光、电或机械应变)被动态激发。这些外力会改变催化剂的表面性质,从而引入新的控制旋钮(自由度)(Ardagh 等,2019)。这些刺激通常遵循一种动态控制程序,该程序策略性地将催化剂在不同状态之间切换。不同状态对应于表面物种的不同结合能,这使得某些反应比其他反应更有利,如图 3 所示。通过策略性地选择交替的状态和切换时间,可以编排各个反应步骤,从而超越静态催化剂的性能。

下载:下载高分辨率图片(156KB)
下载:下载全尺寸图片

图 2. 显示 Sabatier 峰值(即最佳性能发生处)的火山型曲线。在较低能量区域,性能受表面反应步骤限制;在较高能量区域,性能受脱附步骤限制。

理解和优化动态催化剂的行为受到控制程序庞大设计/调优空间,以及程序特性、单个反应步骤与整体催化性能之间复杂的非线性关系的阻碍。以往的工作主要集中在由简单网络拓扑构成的动态催化剂系统上,例如单一表面反应或平行反应(Psarellis 等,2023;Tedesco 等,2024;Murphy 等,2025;Foley 和 Razdan,2021;Foley 和 Razdan,2022)。这些研究表明,可以设计控制程序来最大化性能。此外,以往的工作侧重于使用简单的动态控制程序(方波或正弦波)在少量状态之间交替(Psarellis 等,2023;Tedesco 等,2024)。尽管这些程序表现良好且相对容易优化,但它们是否足以达到系统的根本性能极限仍不清楚。

下载:下载高分辨率图片(262KB)
下载:下载全尺寸图片

图 3. 如何根据外部刺激改变循环反应网络的反应路径的示例。在弱结合状态下,A? 是优先物种;在强结合状态下,C? 是优先物种。

处理真实表面化学中存在的更复杂动态程序和反应网络拓扑,需要计算建模和优化技术的进步。近期工作已开发出用于自动调优控制程序的优化技术。例如,Tedesco 及其同事引入了一种基于梯度的优化方法来计算最优周期程序(Tedesco 等,2024)。该方法利用打靶法高效捕捉周期性行为,并显著减少了动态模拟所需的计算时间。该框架最近被应用于更复杂的网络,但控制程序设计仅限于单一正弦波(Tedesco 等,2025)。在另一条研究路线中,贝叶斯优化(BO)与利用周期性的技术相结合,以识别简单系统的最优控制程序(Psarellis 等,2023)。BO 是一种数据驱动的黑箱范式,可用于模拟或实验环境中导航控制程序的设计空间。然而,BO 方法在处理具有大量调优参数的复杂控制程序时存在困难(Moriconi 等,2020)。因此,目前对复杂控制程序操纵反应网络行为的能力了解有限,从而对通过可编程催化所能实现的最终性能极限也缺乏洞察。

在本工作中,我们提出一种 BO 框架,用于识别能够最大化不同类型拓扑的反应网络性能的复杂控制程序。复杂控制程序通过混合多个旨在激发广泛催化剂状态的"基"程序来构建;这种混合方法大幅减少了程序的自由度数量。BO 方法构建数据驱动的代理模型,以学习控制程序参数与反应网络性能(如周转频率或选择性)之间的关系。所提出的框架还纳入了利用控制程序周期性的策略,从而绕过对长时动态模拟的需求。我们使用这一框架研究在模拟催化网络中增加控制程序的复杂性和丰富度如何提升系统性能。此外,通过探索具有不同拓扑特征的反应网络,我们的分析提供了关于网络拓扑、热力学性质与控制程序设计之间相互作用的洞察。我们还提供了数据和代码以复现所有结果;这些资源旨在帮助研究者(计算和实验)了解如何使用现代优化工具设计催化剂程序。

2. 计算框架

本节概述我们计算框架的组成部分,包括反应网络建模、优化表述和贝叶斯优化。

2.1. 催化网络模拟

2.1.1. 构建网络模型

我们通过将可编程催化剂系统表示为一组微分-代数方程(DAE)系统来模拟其动态演化。DAE 模型的一般形式见 (2.1)。系统状态 x?(t) 包括物种浓度;其演化用常微分方程建模,如 (2.1a) 所示。系统状态还包括每个表面物种的分数覆盖率 θ?(t);它必须满足 (2.1b) 中的催化剂位点平衡(一个代数方程)。我们用 x(t) 表示所有系统状态。我们用 u(t) 表示所有系统控制/外力;这些包括结合能的动态轮廓,旨在驱动系统物种和覆盖率的演化。

(2.1a) dx/dt = g(x(t), u(t))
(2.1b) θ?(t) = 1 ? ∑θ?(t)

为突出所研究催化系统的具体要素和高复杂性,我们提供了在连续搅拌釜反应器(CSTR)中发生的简单反应的详细物理方程,如图 4 所述。

在动态催化中,吸附物种的结合能 BE_A(t) 用作其他结合能的参考状态。在这种情形下,假设存在由参数 γ_{B?A} 和 δ_{B?A} 定义的线性关系,如 (2.2) 所示。

(2.2) BE_B(t) = γ_{B?A} BE_A(t) + (1 ? γ_{B?A}) δ_{B?A}

每个表面反应的热力学性质可计算得到,如 (2.3) 所示。吸附和脱附反应假定具有相等且相反的熵变,而表面反应在此假定熵变可忽略不计。

(2.3)
ΔH? = ?BE_A
ΔS? = ?ΔS?
ΔG? = ΔH? ? TΔS?
ΔH? = BE_A ? BE_B
ΔS? = 0
ΔG? = ΔH? ? TΔS?
ΔH? = BE_B
ΔS? = ΔS?
ΔG? = ΔH? ? TΔS?

利用 Br?nsted–Evans–Polanyi 标度关系(Bligaard 等,2004),可使用表面反应焓 ΔH? 和标度参数 α 与 β,如 (2.4) 所示,计算表面反应的活化能 E?。

(2.4) E? = αΔH? + β

平衡常数 K、正向速率常数 k_f 和逆向速率常数 k_r 使用 (2.5) 计算。符号 T 表示反应温度,k_B 是玻尔兹曼常数,h 是普朗克常数。

(2.5)
K? = exp(?ΔG?/k_B T)
k?,f = (k_B T/h) exp(ΔS?/k_B)
k?,r = k?,f / K?
K? = exp(?ΔG?/k_B T)
k?,f = (k_B T/h) exp(?E?/k_B T)
k?,r = k?,f / K?
K? = exp(?ΔG?/k_B T)
k?,f = k?,r / K?
k?,r = (k_B T/h) exp(?ΔS?/k_B)

每个反应的速率 r 可使用 (2.6) 计算,其中 N 表示催化剂上的活性位点摩尔数,V 是反应器体积,R 是理想气体常数,P? 是大气压。空位分数 θ? 使用 (2.1b) 中的位点平衡计算。

(2.6)
r? = (N/V)(k?,f C_A R T P? θ? ? k?,r θ_A)
r? = (N/V)(k?,f θ_A ? k?,r θ_B)
r? = (N/V)(k?,f θ_B ? k?,r C_B R T P? θ?)

以上所有关系最终传导至物种和表面覆盖率的动态平衡,如 (2.7) 所示。此处 q 表示反应器流量,C?,f 表示进料流中每种物种的浓度。

(2.7)
dC_A/dt = ?r? + (q/V)(C_A,f ? C_A)
dC_B/dt = r? + (q/V)(C_B,f ? C_B)
dθ_A/dt = r? ? r?
dθ_B/dt = r? ? r?
θ? = 1 ? θ_A ? θ_B

下载:下载高分辨率图片(78KB)
下载:下载全尺寸图片

图 4. 展示基本步骤的催化反应示例。物种 A 首先吸附到表面变为 A?,在表面反应生成 B?,然后脱附生成 B。

动态模型的一般表示形式见 (2.8)。

(2.8)
?(t) = f(x(t), z(t), u(t); η)
0 = h(x(t), z(t), u(t); η)

其中 x(t) ∈ R^{n_x} 和 z(t) ∈ R^{n_z} 分别表示微分状态和代数状态,u(t) ∈ R^{n_u} 表示时变控制输入,η 包含模型参数。所有系统变量和方程向动态模型中的传播产生了高度耦合且非线性的微分和代数方程组(DAE)。此外,正如催化系统中常见的情况,由于反应速率发生在不同时间尺度上,这是一个刚性方程组。

2.1.2. 确定循环/周期性稳态

动态催化剂通常使用周期性外力进行研究。因此,识别所谓的循环稳态(系统状态的一个自重复循环)至关重要。为了监测循环稳态的演化,使用周转频率((2.9))是方便的,它衡量单位时间内单个催化剂位点上发生的反应次数。在 (2.9) 中,C? 指感兴趣的产物气体物种的浓度,t? 和 t_f 分别表示循环的开始和结束时间。另一个有用的度量是平均周转频率,它对应于整个循环期间催化剂周转频率的平均值。由于系统会经历低生产率和高的阶段,对循环取平均提供了更准确的整体性能度量。

(2.9)
TOF?(t) = C?(t) q / (N_av)
TOF?? = ∫_{t?}^{t_f} TOF?(t) dt / (t_f ? t?)

另一个感兴趣的度量是催化剂的选择性。如 (2.10) 所示,选择性计算循环稳态期间形成的期望产物 C? 的量与产生的总产物物种量的比值。该度量捕捉了可能形成多种产物但需要关注其中一种的情形。尽管该指标与周转频率相关,但通过明确惩罚其他产物的产生,这使得在重视纯度而非通量时的情形得以体现。

(2.10)
Sel? = ∫_{t?}^{t_f} C? dt / (t_f ? t?) / ∑?∈? ∫_{t?}^{t_f} C? dt / (t_f ? t?)

在实践中,(2.9) 和 (2.10) 都可以使用梯形法则配合单一循环值上的离散状态进行求解。在本框架中,不同点之间的时间步长保持恒定,这进一步将计算简化为对循环取平均值。

为计算循环稳态,早期实现将 (2.7) 表述为初值问题(IVP)(Murphy 等,2025)。使用这种方法,假设系统的初始状态,然后系统随时间迭代向前推进,直到系统的动态演化趋于循环稳态。该方法需要在潜在很长的时间跨度上进行顺序模拟。此外,由结合能(外力)的突然变化引起的急剧瞬态引入了数值问题。

为确保更快且更可扩展的收敛,我们将 (2.7) 表述为边值问题(BVP),如 Tedesco 等(2024)所述。

在这种表述(2.12)中,我们只需要在(t?, t_f)上捕获一个周期;这是通过将初始和最终状态设为自由变量,并使用约束来强制实现周期性来完成的。设τ = t_f ? t?表示一个控制周期的持续时间。当前表述假设所施加的控制程序是固定的且周期性的,即u(t + τ) = u(t)。在循环稳态下,系统状态以相同的周期重复,因此满足(2.11)。

(2.11) x(t?) = x(t_f)

由于控制方程和施加的控制在每个周期中都是相同的,满足此边界条件的解可以在[t?, t_f]上根据x(t + kτ) = x(t)(k为整数)周期性地扩展。因此,在确定循环稳态时,只需要计算一个周期。相关的循环稳态和循环优化表述已用于变压吸附和变真空吸附过程以及动态催化领域(Ko等,2005;Dowling等,2012;Tedesco等,2024;Tedesco等,2025)。当前表述适用于循环间的瞬态衰减之后,并不表示瞬态演化的循环、循环间的漂移、非周期或准周期运行,以及周期跨越多个控制周期的次谐波响应。此外,周期性边界条件可以确定一个周期性解,但并不能独立地建立其唯一性或渐近稳定性。

这可以被表述为如(2.12)所示的优化问题。

(2.12) min_x ?‖x_{t_f} ? x_{t?}‖2
s.t. x_{t?} = x_{t_f}
x_{k+1} = x_k + g(x_{k+1}, u_{k+1})(t_{k+1} ? t_k), k = t?, …, t_f?1
θ*_k = 1 ? Σ_i θ_{i,k}

在此,我们注意到使用隐式Euler方案对DAE系统进行离散化,该方案具有良好的数值稳定性特性。其他离散化方案也是可能的(例如,正交配置法),但为了简洁起见,我们采用Euler方案。我们还需注意到控制程序已被离散化;上述表述中假设该程序是固定的。离散化使我们能够将该问题表述为非线性规划(NLP)问题。周期性端点约束使得目标函数在所有可行解处恒为零,因此循环稳态表述在数学上是一个可行性问题。最小二乘目标仅作为数值正则化保留,用于惩罚不可行求解器迭代中的端点不匹配。它不会改变可行集或所得的循环稳态解,但提高了离散化非线性程序的观测数值收敛性。该方法已用于循环系统动态优化的多种应用,例如模拟移动床和变压吸附系统的优化(Biegler,2010)。与基于模拟的方法相比,离散化方法更具可扩展性和可靠性。

### 2.2. 设计最优程序

#### 2.2.1. 基函数表述

给定控制程序u(t), t ∈ [t?, t_f],我们可以通过求解问题(2.12)来评估相关的循环稳态x_ss(t), t ∈ [t?, t_f]。控制程序紧凑地表示为u,循环稳态表示为x_ss(u)(以突出状态对程序的依赖性)。然后,循环稳态x_ss(u)可用于计算所需性能指标,我们将其表示为f(x(u))。基于此,我们可以表述一个旨在找到最大化系统性能的协议u的优化问题,如(2.13)所示。

(2.13) max_u f(u)
s.t. u ∈ U

催化剂性能指标f(u)可以以不同形式定义(例如,周转频率或选择性)。控制程序设计空间表示为U。

(2.12)中的通用控制设计问题可以在广泛的时变信号或状态相关控制策略类上进行表述。无结构方法,如直接最优控制方法和强化学习(RL),可用于探索更丰富的控制策略类(Tedesco等,2024;Nian等,2020;Spielberg等,2019)。RL通常通过重复交互或模拟轨迹学习状态相关的动作,但在实验环境中可能难以实施,且可能缺乏物理可解释性。此外,RL还可能面临高维性问题,当实验和模拟成本高昂时,这在实际操作中可能不可行。然而,在本工作中,允许集U被限制为使用有限数量的基函数生成的开环周期性程序。这种限制本质上起到了一种结构正则化的作用,在限制参数搜索空间维度的同时,保持了实验可实现性和物理可解释性。尽管方法论具有可比性,但由于控制策略表示、信息收集结构和评估预算的差异,直接比较并不实际。此外,本工作中确定的程序应被理解为在其基函数构建策略的设计空间内是最优的,而在所有潜在控制策略形式上不一定是最优的。

该基函数框架通过使用正弦波和方波等周期性基函数来实现周期性。先前的研究表明,方波具有更优越的性能,这是由于状态之间的快速切换和存在多个激励频率(Ardagh等,2019;Manoj等,2026)。因此,在本工作中,我们主要关注方波基函数。

如(2.14)中定义的方波基函数u_i(t)是一种具有瞬时跃变的二步周期性信号。基函数依赖于时间t和设计参数p ∈ P(见图5)。在这种表述中,单个基的参数包括p_A(由高低状态之间的距离给出的波形振幅)、p_D(占空比,表示每个周期中花费在第一能量状态的时间比例)、p_f(由每秒周期数给出的波形频率)和p_o(一个恒定偏移量)。这4个模型参数统称为p = [p_A, p_D, p_f, p_o]。

(2.14) u_i(t) = (p_A / 2)(2?t·p_f ? p_D? ? 2?t·p_f? + 1) + p_o

为了构建灵活的控制程序,可以将多个基函数u_i(t)组合成统一的控制程序u(t),如(2.15)和图6所示。这使得更丰富的程序设计成为可能,同时保持参数数量可控。由于每个基函数有4个设计参数,对于具有n_s个基函数的系统,我们总共有4·n_s个参数。然而,通过将每个波的偏移参数合并为一个组合偏移,参数规模降至3·n_s + 1。

(2.15) u(t) = Σ_{i=1}^{n_s} u_i(t)

在混合表述下,控制程序是设计参数的函数;我们将这种依赖性表示为u(p)。为了便于简洁表示,我们还使用紧凑表示f(p) = f(u(p))来表达性能对参数的依赖性。

下载:下载高分辨率图像(87KB)
下载:下载全尺寸图像
图5. 用于构建方波基函数的各参数的物理含义。红线表示未应用偏移的两个能量状态的平均值,以突出其影响。

下载:下载高分辨率图像(236KB)
下载:下载全尺寸图像
图6. 由多个基函数组成的控制程序用少量参数即可捕获复杂行为。左侧的基函数相加可创建右侧更复杂的控制程序。

#### 2.2.2. 贝叶斯优化策略

由于控制程序、循环稳态和性能函数评估的嵌套性质,求解整体优化问题较为困难。黑盒(数据驱动)方法为处理此类问题提供了灵活的方法,但这些方法可能需要过多的反应模拟来确定最优程序(Rocke,2000)。此外,在更长时间范围内运行反应模拟(或实验)计算成本高昂,尤其是收敛到循环稳态时(Wessing和Preuss,2017)。在此,我们提出一种BO框架,并证明这是一种确定复杂催化系统最优控制程序的有效方法(Jones等,1998;Shahriari等,2015)。

BO是一种迭代式的黑盒算法,结合了统计代理模型和采集函数(Mo?kus,1975;Frazier,2018)。图7提供了所提出的控制程序设计BO循环的示意图。BO算法的迭代性质充当反馈回路,允许利用从前序实验/迭代中收集的信息来指导未来的决策。BO算法利用可用的输入-输出模拟数据(例如,程序-性能)来构建概率代理模型,通常是高斯过程(GP)(Williams和Rasmussen,2006)。代理模型旨在利用之前收集的数据来逼近系统性能f(?),表示为(2.16)。

(2.16) D_? = {(p_j, f(p_j))}_{j=1}^{?}

在(2.16)中,p_j ∈ P表示第j个已评估的控制程序设计。GP使用均值核μ?(p)来描述整个设计空间内数据的全局趋势,并使用协方差核Σ?(p, p')来捕获点(p, p')之间的依赖关系。该框架能够实现具有量化不确定性的模型预测;这在以下方程组中得到体现:

(2.17a) f(p) | D_? ~ N(μ(p), σ2(p))
(2.17b) μ(p) = Σ?(p, p) Σ?(p, p)?1 (f(p) ? μ?(p)) + μ?(p)
(2.17c) σ2(p) = Σ?(p, p) ? Σ?(p, p) Σ?(p, p)?1 Σ?(p, p)

几个关键特性使BO在此环境中具有实用性:(i) 通过基函数混合对控制程序进行紧凑参数化,这限制了设计变量p的维度;(ii) 使用循环稳态表述,仅使用单个控制周期来评估性能,从而显著降低了每次BO迭代的计算成本。此外,与非统计代理模型(例如,线性回归、神经网络)相比,使用GP的一个关键优势是其量化预测不确定性的内在能力,从而实现有根据的探索和利用。GP天然提供不确定性量化(UQ)能力,有助于在决策空间中导航,如图7所示。

在此框架中,用于构建GP模型的数据首先经过预处理,以确保一致的标度化和GP稳定性。对频率值取对数以将其带入线性域,然后将所有输入归一化到[0, 1]之间。在使用周转频率评估性能时,也对输出值取对数以确保更好的标度和稳定性。然后对所有输出值进行标准化,以确保用于预测和推荐未来实验的一致标度。由于输出空间的平滑性没有保证,因此优先考虑能够处理非平滑空间的协方差核。此外,从实验装置收集的数据容易受到噪声影响,这进一步强调了需要能够处理非平滑空间的核。因此,使用常数均值函数和马特恩协方差核来构建GP模型。与这些核相关的超参数通过最大化使用训练数据的模型边缘对数似然进行优化。

下载:下载高分辨率图像(488KB)
下载:下载全尺寸图像
图7. 所提出的贝叶斯优化框架概述。使用所有先前收集的数据训练将控制程序映射到性能的代理模型。然后,使用采集函数(AF)确定下一个实验中要使用的最优控制程序参数p_{?+1}。然后进行该实验,并将结果添加到数据池中。

在GP模型的表述之后,优化采集函数(AF)以选择未来评估的最具信息量的候选项:

(2.18) p_{?+1} = arg max_{p ∈ P} AF(p)

AF提供的建议在改进模型性能(利用)和降低模型不确定性(探索)之间取得平衡(Frazier等,2008;Jones等,1998;Wilson等,2017)。过度强调任一方面都可能导致次优结果。例如,仅关注利用往往会使建议偏向先前探索过的区域,从而存在陷入局部最优并错过未探索区域中全局最优的风险。相比之下,仅考虑探索也可能导致次优结果,因为算法可能偏向于探索新区域,从而避免先前探索过的区域,真正的全局最优可能仍未被发现。因此,在决定要收集的新数据点时,需要结合这两个方面,如图7所示。

结合探索和利用,BO算法迭代进行:(i) 使用一小部分初始收集的数据初始化GP模型;(ii) 训练GP代理模型;(iii) 通过AF选择新的实验条件;(iv) 进行实验并收集结果;(v) 将实验添加到训练数据集中。此循环持续进行,直到收敛或实验预算耗尽。

在此框架中,上置信界(UCB)和期望改进(EI)采集函数均可使用。UCB如(2.19)所示,是给定点的均值和加权标准差的线性组合。该权重λ,称为探索因子,是一个可调超参数,允许手动控制探索或利用的程度。在实践中,默认使用λ = 2的值,但该值可以更改以偏向探索或利用。

(2.19) UCB(p) = μ(p) + λσ(p)

EI衡量相对于当前最佳采样点的加权性能改进幅度。尽管EI无需调整超参数,但由于假设先前收集的点是无噪声的,它在噪声环境中表现不佳。

两种获取函数都作为框架内的选项提供,但所有呈现的结果均使用λ=2的UCB。将上述各组件按算法1所示进行组合,即可构建一个框架,能够在最小化参数搜索空间以及实验或模拟资源成本的同时,实现高效的信息获取和控制程序调优。下载:下载高分辨率图片(94KB)下载:下载全尺寸图片3. 结果所提出的框架以Python面向对象包的形式实现,封装在一个名为ProCatModel的主类中。该类能够处理程序设计、系统建模与优化、控制程序和网络的可视化,以及基于贝叶斯优化(BO)的控制程序优化。这些任务中的每一项都作为类中的独立方法实现,使用户无需具备所实施方法的广泛背景知识即可轻松完成所需任务,同时也允许添加自定义方法来实验不同的系统和优化策略。例如,测试一组不同的反应网络参数,只需对主类进行一次调用即可实现,无需深入模型本身。每个模型均按照(2.7)中的公式构建,并在Pyomo中实现(Bynum等人,2021),使用IPOPT计算系统的稳态行为(Biegler和Zavala,2009;W?chter和Biegler,2006)。模型初始化采用预选值,针对每个模型单独确定,以确保稳定的收敛行为。使用BOTorch实现贝叶斯优化框架(Balandat等人,2020)。用于生成结果的所有数据和代码均可在Github上找到:https://github.com/zavalab/ML/tree/master/DynamicCatalysis。3.1. 控制程序参数分析我们首先研究了最优控制程序设计,并试图将其与催化体系的底层物理性质联系起来。作为起点,我们考虑了最简单的催化反应网络,如图4所示,并考察了不同的控制程序设计如何影响系统性能。该体系的催化网络参数设定为:α为0.6,β为1.0 eV,γ为2,δ为1.4 eV。我们首先分析控制程序参数化如何映射到不同的催化运行状态。具体来说,我们利用这些映射来识别振幅、占空比和能量态选择在塑造表面化学和反应动力学中的机制性作用。这类参数化研究信息量丰富,并且得益于所提出的计算框架。图8展示了整个控制参数空间和能量态空间上的性能。性能提升通过速率增强因子(EF)来确定,EF定义于(3.1)中,衡量的是循环稳态下的动态周转频率(TOFD)相对于Sabatier峰值处静态稳态值(TOFS)的提升幅度(Baz等人,2022)。(3.1) EF=log(TOFD/TOFS)。在首次分析中,我们改变振幅和占空比,同时将频率固定在103 Hz,偏移量固定在1.1 eV。对振幅的强烈依赖性表明,性能主要由积累态和脱附态之间的能量分离所主导。相比之下,对占空比的弱敏感性反映了控制频率比固有反应时间尺度更慢这一事实,因此,一旦达到表面平衡,延长任一状态的停留时间只会产生递减收益。这可以进一步解释为催化剂性能受限于程序频率。值得一提的是,控制程序频率在两个能量态下都比反应时间尺度更长,这意味着即使选择了适当的占空比,程序频率的时间尺度仍可能阻碍实现最大效率。我们还研究了在固定频率和占空比的情况下,改变两个能量态(对应振幅和偏移量控制参数)如何影响催化剂性能。在此分析中,占空比固定在0.5,使两个状态花费相等的时间,频率再次固定在103 Hz。每个能量态对应不同的表面组成,如图9所示。在较低能量下,表面以反应物物种A*为主;增加能量则有利于B*在表面上的积累。然而,在足够高的能量下,催化剂性能显著下降,因为B*的结合能过强,无法实现高效脱附。高性能区域对应于强制实现两个催化任务明确分离的控制程序:(i) 产品物种在表面的积累和(ii) 快速脱附与位点再生。这种积累-释放循环成为底层最优性能的主要动态机制。此外,高性能区域表明多个能量态组合可以产生可比/相似的性能。在高性能区域中,高能量态跨越的能量水平范围较小,主要在1.6 eV左右,而低能量态在更宽的0.8–1.0 eV范围内表现出相似的性能。如图9(b)所示,这种行为是因为低能量范围内的表面覆盖度相似,从而产生可比性能,而高能量区域表现出表面组成的急剧变化和更窄的最佳范围。下载:下载高分辨率图片(616KB)下载:下载全尺寸图片图8. 多参数考量下的系统分析。(a) 固定频率和偏移量下催化网络的性能。(b) 显式定义能量态的催化网络性能,等同于改变偏移量和振幅。(c) 对应于(a)中最优参数的动态程序。(d) 使用(a)中最优程序获得的物种表面覆盖度动态循环稳态。通过可视化网络在不同阶段的表现(如图10所示),可以得出更多见解。在此示例中,我们既看到了高能量阶段B*的积累,也看到了低能量阶段B*的脱附。此外,我们可以观察到程序频率导致的时间尺度相对于反应频率相对较大,导致系统经历变化微乎其微的时间段。下载:下载高分辨率图片(323KB)下载:下载全尺寸图片图9. (a) 示例催化系统的周转频率。(b) 随参考结合能变化的表面组成。随着结合能增加,表面从以A*为主转变为以B*为主。3.2. 动态网络可视化为了更全面地理解程序参数如何影响催化剂性能,我们开发了一种可视化工具,旨在提供系统如何响应所提出的控制程序的动态画面。对于该可视化工具,我们构建了一个动画,展示网络的各个方面随时间对输入信号的响应。图8中所述系统施加该信号的截图显示在图10中。首先,我们可以跟踪随时间施加到系统上的能量,以了解所施加的控制。然后,我们可以观察表面覆盖度如何变化,以及在状态切换过程中哪些反应被激活和停用。为了展示相对于静态条件的改进,我们纳入了火山图。最后,还展示了催化网络的颜色编码视觉表示,以提供更多关于网络活性的信息。每个节点对应网络中的一个物种,其相对大小和颜色会随浓度和表面覆盖度变化。节点之间的边表示反应路径。这些路径不仅通过颜色编码来显示反应的相对尺度,还可以翻转以显示反应的方向性,并展示物种在网络中的移动。在此示例中,我们可以看到在低能量状态下,表面主要被A*覆盖。在状态切换到较高能量状态后,如表面分数图和切换后节点大小与亮度变化所示,A*开始反应生成B*。该工具能够对催化网络中发生的事情进行压缩的、信息密集的表达,从而改善理解和增强分析。下载:下载高分辨率图片(532KB)下载:下载全尺寸图片图10. (a) 在低能量状态下,产物表面物种脱附到气相,同时反应物物种填充空位。(b) 一旦系统切换到较高能量状态,表面被A*和B*物种完全占据。3.3. 网络拓扑研究接下来,我们考察了反应网络拓扑如何影响最优控制程序的性质。具体来说,我们考虑了代表性的串联、并联和循环反应网络,如图11所示。这些拓扑是更复杂催化网络的基本构建模块,单独研究它们可以提供关于网络结构变得更加复杂时控制策略应如何调整的见解。对于每个考虑的拓扑,我们通过改变Br?nsted-Evans-Polanyi(BEP)参数α和β以及结合能标度参数γ和δ来生成多个网络实例。这些参数从以文献中获得值为中心的 gaussian分布中采样(Tedesco等人,2024)。下载:下载高分辨率图片(251KB)下载:下载全尺寸图片图11. 可以构成更复杂网络的基本构建模块的基本网络拓扑。对于这些系统中的每一个,目标产物为C。(a) 一个串联反应网络,表面反应依次发生。(b) 一个并联反应网络,单一反应物可以同时进行生成两种产物。(c) 一个循环反应网络,每个表面物种可以生成另外两个物种。对于每个网络,首先使用静态控制程序确定基线最优性能。然后,使用递增基函数数量(ns=1–3)的动态控制程序进行优化,以评估控制灵活性对性能的影响。对于每个网络,使用10ns个初始训练程序初始化GP模型,随后进行20ns+20次BO迭代,因此总共评估了30ns+20个程序。这些高通量计算得益于所提出的计算框架的效率。如图12所示的结果总结表明,动态调制表面结合能可以在所有考虑的网络拓扑中带来数量级的性能提升。这表明可编程催化超越静态Sabatier限制的能力对网络结构具有鲁棒性。虽然所有拓扑都能从动态控制中获益,但串联网络通常表现出比并联和循环网络更低的EF值。在串联系统中,目标产物C*只能通过中间体B*形成,引入了额外的动力学约束。相比之下,并联和循环网络允许从A*到C*的更直接形成路径,从而能够更有效地利用动态能量调制。有趣的是,增加基函数数量并未带来EF的系统性改善。即使对于更复杂的网络,优化后的控制程序也一致收敛到两态协议,该协议可以用单一方波基函数表示。这表明,除了两个不同的能量态之外,额外的控制灵活性对这些系统的益处甚微。这种行为与参数分析中确定的积累-脱附机制一致。一个能量态促进所需表面物种的积累,而另一个能量态促进脱附和位点再生。引入中间能量态不会改善此循环,实际上可能会通过减小这两个功能角色之间的能量分离而阻碍性能。此外,无法直接控制单个反应,这使得简单的控制程序更有利。由于无法独立调节单个反应,表面无法以逐个物种的方式有选择地引导到单一物种。相反,网络中的所有反应同时对结合能的变化做出响应。因此,在表面上积累目标产物的最有效策略是在静态条件下产生该产物最高表面分数的能量状态下运行。下载:下载高分辨率图片(184KB)下载:下载全尺寸图片图12. 网络拓扑和信号设计实验的结果。每种拓扑的性能都看到数量级的提升,但增加复杂性并不能明确导致更好的性能。误差线使用95%置信区间计算。更广泛地说,这些结果表明,可编程催化效果的有效性更多地取决于功能上不同的催化态之间的能量分离,而非波形复杂度,而这一点首先由所选择的调制催化材料的选定决定。

在所考虑的所有网络拓扑结构中,最优性能是通过交替切换促进产物积累的状态和实现快速脱附与活性位再生的状态来实现的。这种"积累—脱附"范式为简单的两态最优控制程序的出现提供了统一的解释,并凸显了增加控制程序复杂度所带来的效益的根本性限制。

3.4. 复杂网络中选择性的优化

为了进一步检验程序设计对网络性能的影响,我们将评估指标从较简单的转化频率转变为更复杂的选择性指标。本研究旨在说明我们的框架处理不同类型目标的通用性。此外,我们考虑了一个更复杂的网络,如图13所示。由于该网络更为复杂,可以产生三种不同的产物,我们预期更复杂的程序能够利用更多的反应路径,从而实现性能提升。

对于3种产物中的每一种,我们都基于恒定能量输入下的静态条件、仅含1个基函数的控制程序以及含2个基函数的控制程序,分别构建了最优程序设计方案。结果如图14所示,对应的控制程序如图15所示。

(下载:下载高分辨率图片(172KB))
(下载:下载全尺寸图片)
图13. 一个具有多个内部循环和三种可能产物的复杂反应网络。

总体结果表明,具有多个基函数有可能带来性能提升,但并不保证。对此行为的一种解释是构建模型时所选的缩放关系参数。对于结合能关系,5个缩放关系的δi-A值均为0.8 eV,而D*、E*和F*的γi-A值均为1.25,而B*和C*分别具有各自独特的值1.5和0.75。此外,对于活化能缩放关系,所有表面反应的βi值均为0.8 eV,而αi在第一循环反应(A*?B*,B*?C*,C*?A*)中设为0.8,而其他所有反应均取较低的0.6值。这些参数选择可能导致系统的行为主要由B*和C*的生成所主导。一旦这两种初始物种被生成,所有产物表面物种表现出相似的行为,使得它们难以被单独生成。这一理论可以解释为何D随着程序复杂度增加未显示出性能改善,因为任何产生D的路径都会不可避免地导致E成为主要产物。同样,F的选择性可能因E的生成而受到物理限制,但F反而是主导产物。由于D和F之间没有任何直接反应路径相连——D*主要从B*生成,而F*主要从C*生成——因此这两种物种都受到E生成的限制而非彼此限制是合理的。E的最优程序可能会同时产生这两种其他产物作为次要物种,使其能够达到比其他产物高得多的选择性值。

(下载:下载高分辨率图片(125KB))
(下载:下载全尺寸图片)
图14. 使用复杂网络的选择性研究结果。随着信号复杂度增加,选择性也随之提高。

(下载:下载高分辨率图片(242KB))
(下载:下载全尺寸图片)
图15. 分别最大化D、E和F选择性的最优程序。

E和F似乎都倾向于对动态控制做出有利响应,当加入更复杂的信号时,其选择性都大幅增加了。有趣的是,E和F的控制程序在外观上均类似于较简单的动态控制程序。例如,E的控制程序在0.16 eV和2.16 eV处有两个主要状态,并在1.16 eV处有一个中间状态,程序在切换主要状态时会短暂经过该状态。主要状态之间的这一微小步长出人意料地带来了选择性的显著提升,这表明对于更复杂的系统,探索更复杂的信号设计具有潜在价值。

4. 结论与未来工作

要理解动态催化的极限与设计原则,不仅需要高效地探索广泛的控制程序,还必须建立控制程序设计与催化系统底层物理行为之间的可解释性联系。这种理解既能深入揭示动态催化的机理,又能为构建有效控制程序提供更系统的策略。

本工作中,我们提出了一种用于动态催化控制程序设计与优化的计算框架。催化网络被建模为DAE(微分代数方程)系统,从而能够严格模拟表面反应动力学。控制程序使用低维基函数进行参数化,这些基函数可以组合生成复杂但可行的动态协议。随后使用贝叶斯优化(BO)框架对这些参数进行优化,从而高效地探索控制参数设计空间。可视化工具通过揭示控制程序如何随时间塑造表面组成和反应动力学,促进了物理层面的解释。

利用该框架,我们研究了控制程序设计的多个方面及其物理含义。研究表明,静态催化剂行为可以为动态程序构建提供有价值的指导,特别是在根据稳态表面覆盖率选择幅度和偏移参数方面。跨不同反应网络拓扑结构的研究表明,串联、并联和循环系统均可从动态催化中获得显著益处,同时也揭示了一些关于网络结构如何影响可实现提升幅度的见解。对于具有多种产物的更复杂系统,在某些条件下,更复杂的控制程序可以比简单的程序带来更好的性能。结果表明,对于某些催化剂材料,更复杂的控制程序确实有好处,但并非对所有催化剂都如此。

未来的工作包括将该框架应用于具有多种反应物、产物和/或竞争路径的更复杂催化反应,从而为更复杂的控制设计展示进一步的性能提升创造机会。虽然观察到的趋势与系统中实际发生的物理现象高度吻合,但所研究的系统均为单组分基元反应。缺乏包含多种反应物或多种产物的反应系统可能意味着这些更复杂的反应可能表现出不同的行为,因此需要不同的控制程序。将该框架应用于实验体系有助于探索更真实的反应行为。此外,真实实验将是此类反应的最佳检验案例,因为所有计算模型都在某种程度上包含了对真实行为的简化近似。使用如贝叶斯优化这类黑箱控制程序优化器(不需要模型信息)来处理这些真实世界系统将是理想的选择。

使用这一框架,另一个潜在的研究方向是深入理解系统物理如何影响控制程序设计,例如不同的能量缩放参数如何影响控制程序设计。虽然本工作已建立了静态行为与某些控制参数之间的明确联系,但对这些关系的进一步洞察将使人们能够主要基于静态催化剂特性直接设计动态控制程序,从而完全绕过大量动态实验的需要。

未来工作的另一个方向涉及模拟稳定性和收敛性的改进。由于微分代数方程公式中复杂的动力学和刚性方程,物种浓度和表面覆盖率的初始化对于实现稳定收敛和获得有意义结果至关重要。浓度值可能跨越极宽的范围,在某些情况下甚至低至接近机器精度。在构建DAE问题时,目标函数自然会优先关注浓度较高的物种,因为它们对目标值影响更大。手动重新缩放这些值具有挑战性,因为即使在单个周期内,浓度值也可能发生巨大变化,且事先几乎无法确定适当的缩放方式。简单猜测初始值在非常简单的系统中可能有效,但并不可靠,因为即使是参数值的微小变化也可能导致显著不同的行为。尝试使用对应的稳态浓度来初始化系统显示出略好的稳定性,但仍不可靠,因为在较高频率下,系统并不总是能在控制程序切换状态之前收敛到静态稳态浓度。近期的研究使用初始值问题公式作为生成初始化的方法,但这又回到了初始值问题公式计算量庞大且不稳定的原始问题上(Tedesco等,2025)。另一些研究使用贝叶斯延拓,利用之前的模拟来预测新实验的周期性稳态条件,并将这些预测作为初始化值(Psarellis等,2023;Manoj等,2026)。虽然随着数据不断积累这一方法可以发挥作用,但在低数据区间,由于缺乏系统趋势的底层知识和预测的高不确定性,该方法效果不佳。

**CRediT作者贡献声明**

Joseph C. Flory:撰写——初稿、软件、调查研究、概念构思。
Angan Mukherjee:撰写——审阅与编辑、概念构思。
Paul J. Dauenhauer:撰写——审阅与编辑、概念构思。
Victor M. Zavala:撰写——审阅与编辑、方法论、概念构思。

Joseph C. Flory | Angan Mukherjee | Paul J. Dauenhauer | Victor M. Zavala
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号