机器学习指导的高熵氧化物设计：面向光电催化与可持续能源转换

《Catalysts》：Machine Learning-Guided Design of High Entropy Oxides for Photo-Electrocatalysis and Sustainable Energy Conversion

　　

高熵氧化物（HEOs）为光电催化和可持续能源转换提供了广阔的组分平台，其中多阳离子无序可调控相稳定性、电子结构、缺陷化学、光吸收、电荷传输及表面反应性。然而，可能组分、局域构型与合成条件的数量极其庞大，限制了传统的试错式发现。本综述批判性评估了机器学习（ML）如何加速HEO设计，涵盖相与结构分类、氧空位预测、机器学习原子间势、主动学习，以及在光催化、电催化、热催化和储能中的应用。与既有综述不同，本文按证据强度对研究进行分级，将报道准确ML预测的研究与已合成ML筛选HEO并证实其性能的研究区分开来；对代表性模型连同其数据集规模和验证流程进行基准比较；并借鉴高熵合金催化，阐明局域原子环境如何塑造吸附能分布、反应能垒与选择性。该评估表明，ML筛选HEO催化剂的功能验证迄今主要在CH₄氧化、水煤气变换反应和析氧反应中实现，而光催化H₂析出与CO₂转化仍缺乏前瞻性ML验证。关键挑战包括数据集偏倚、合成元数据不完整、局域无序表征不足以及适用域不确定。最后，本文提出互补验证类别与最低报告标准，以支持面向可持续能源技术的可合成HEO的可靠ML指导发现。

本文围绕机器学习（ML）加速高熵氧化物（HEOs）设计这一主题展开批判性综述。引言部分指出，HEOs因多主阳离子共占同一氧化物晶格而产生广泛化学无序与多样局域环境，其组分设计空间随阳离子数目急剧膨胀，并受非等摩尔组分、氧化态、氧非化学计量、晶体结构、缺陷及合成条件等多重自由度影响，传统试错策略覆盖有限。ML通过学习化学描述符、结构、工艺条件与性质之间的关系提供了新途径，近期已在晶体结构分类、机器学习原子间势（MLIPs）大规模组分筛选、可合成性数据驱动预测、结合密度泛函理论（DFT）预测氧空位形成能以及主动学习迭代选择新组分等方面取得进展。但HEO机器学习仍受限于数据集有限且异质、合成元数据不完整、局域化学无序表征困难、模型外推及系统性负实验结果稀缺等问题。本综述的独特贡献在于：按证据强度对文献分级，明确区分准确ML预测与ML筛选HEO经合成并证实目标功能性能的研究（第5.5.2节）；对代表性HEO-ML研究进行定量基准比较，报告模型指标及数据集规模、验证流程、反应条件和实验结果（第5.7节）；将局域化学无序视为需要表征与采样的分布，并结合高熵合金（HEA）催化在吸附能分布、反应能垒和选择性方面的经验（第5.1.1与5.1.2节）；转化为化学感知数据划分、互补验证类别和ML就绪HEO数据最低报告标准等实用建议（第6.6节）。综述范围部分说明了文献检索策略、纳入标准及直接HEO-ML证据与方法学文献的区分，并以图1比较代表性综述、突出本研究填补的研究空白。高熵氧化物基础部分界定了HEOs的定义与演变，阐明高熵、化学无序与熵稳定是相关但不同的概念，指出五主元素判据并非普适定义；给出构型熵的理想表达式及其在五等摩尔阳离子体系中的基准值1.609R，强调该值不应被解读为真实HEO的实验总熵，非等摩尔组分同样可保持可观构型熵并拓展可调空间；梳理了岩盐、萤石、尖晶石、钙钛矿和石榴石等结构家族的组分与结构多样性，说明同一元素组合在不同结构框架下可能表现不同相行为，构成组分—结构—占位—缺陷—局域环境强耦合的层级设计问题；从Gibbs自由能出发讨论HEO形成的热力学原理，指出真实自由能景观远比构型熵近似复杂，并强调热力学稳定性与实验可合成性应加以区分；分析晶格畸变与局域化学环境的分布本质，指出HEO可在长程晶体学有序的同时具有显著局域结构与化学无序，宏观组分不能唯一确定微观状态；讨论缺陷与氧空位工程，强调氧空位效应取决其浓度、电荷态、局域配位及与邻近阳离子的相互作用，过量缺陷可能破坏晶格；概述电子与物理化学特性，指出多阳离子无序可产生化学异质的局域环境与吸附能分布，但"鸡尾酒效应"应谨慎使用并尽量与可识别的结构、电子、缺陷或界面机制相联系；将合成与表征作为设计变量，比较固相法、溶胶—凝胶、共沉淀、水热/溶剂热、燃烧、喷雾热解、微波辅助、模板辅助及薄膜沉积等方法，并以非HEO的等离子体纳米颗粒研究说明记录放电条件、前驱体化学与局域表征的方法学意义，强调X射线衍射（XRD）仅反映平均结构而需结合透射电子显微镜（TEM）、X射线光电子能谱（XPS）、X射线吸收谱（XAS）、电子顺磁共振（EPR）、拉曼及全散射/PDF分析等互补手段；最后讨论HEO化学与机器学习的关系，指出单一标称组分可对应众多阳离子排布、氧化态分布、空位构型与短程序Motif，组分平均描述符难以区分同式不同态的样品，提出组分与工艺定义局域构型系综、局域结构与缺陷决定电子与表面态、进而支配功能响应的层级表征思路，并列举特殊准随机结构、构型系综、集团展开、蒙特卡罗采样、局域环境直方图、等变图神经网络及MLIPs等候选路线。HEO的机器学习设计部分阐述从实验数据库到HEO数据集的构建，包括实验文献、DFT计算、高通量筛选、材料数据库及自动化文献挖掘等来源，并引述利用大语言模型从非结构化摘要中提取组分、相信息与合成方法、数据库生成任务准确率约96%的工作；数据整理与预处理部分以图7概括归一化、整理、不确定性评估与数据划分流程，强调组分归一化、保留氧非化学计量与氧化态信息、识别重复记录、谨慎处理缺失值与异常值，并引述严格数据整理对材料数据可靠性与可重复性的重要性；化学描述符部分按元素、热力学、结构、电子、缺陷与合成六类组织，给出组分加权均值与方差的表达式，说明混合焓、键长分布、阳离子能量方差等描述符在区分单相岩盐HEO中的作用，介绍晶体图卷积神经网络（CGCNN）与MEGNet等图方法，并指出合成温度、时间、升温速率、气氛、压力、前驱体化学、溶剂、pH与冷却速率应作为设计变量纳入数据集，以萤石HEO研究为例说明模型在嵌套分层交叉验证中加权F1为77%、外部验证为70%后经实验合成并确认Ce_0.2La_0.2Nd_0.2Mg_0.2Al_0.2O_2?δ；图神经网络与原子级ML部分讨论CGCNN、MEGNet、ALIGNN、M3GNet、CHGNet及等变结构模型在编码原子身份、连接性、几何、电荷敏感环境、能量与力方面的进展，强调单一图难以完整表征一个组分，应对物理代表性构型系综采样或边缘化，并需检验MLIPs对局域化学、氧空位态、氧化还原构型与磁序的外推能力；无监督学习与组分空间映射部分介绍主成分分析、K均值与层次聚类、t-SNE与UMAP在可视化与识别稀疏探索区域中的作用，并提醒其聚类结果依赖预处理与超参数，应主要作为可视化工具；模型评估与验证部分给出平均绝对误差（MAE）、均方根误差（RMSE）与决定系数（R²）的定义式，强调随机划分对HEO数据集过于宽松，应补充留一元素、留一组分家族、结构家族留出、按文献时间划分及基于距离的划分等更严格测试；可解释与可解释性ML部分介绍特征重要性、SHAP（SHapley Additive exPlanations）、部分依赖图与累积局部效应图，说明可解释性ML可将统计相关性转化为化学可检验假设，并以SHAP识别电子亲和能与电负性相关描述符的工作为例；从预测性ML到数据驱动HEO发现部分以图8概括模型训练、候选排序、合成、表征与数据集扩展的闭环流程，指出ML在HEO研究中最重要角色在于建立闭环发现框架而非更快回归。ML指导的HEO预测与发现部分依次讨论：相稳定性与可合成性预测，以基于MLIP结合键长分布与混合焓的岩盐HEO单相稳定性映射、以及扩展至十四种元素与三种结构家族并以阳离子能量方差和混合焓评估候选的可合成性预测为代表，强调计算稳定性与实验可合成性须作为不同目标并以不确定性报告和独立合成检验；晶体结构选择预测，介绍XGBoost分类器报道准确率与F1分别达0.977与0.975、SHAP分析识别阴离子/阳离子半径比为首要描述符的研究，以及向多类结构预测与逆向结构指导设计的拓展；晶格畸变与局域结构环境预测，以尖晶石(Co,Cr,Fe,Mn,Ni)₃O₄体系的DFT-ML研究及键长分布用于岩盐稳定性映射为例，倡导超越组分平均描述符、显式表征局域原子环境；缺陷与氧空位工程，介绍面向高熵钙钛矿氧化物的图神经网络OxiGraphX预测氧空位形成能、平均绝对误差约0.023 eV并结合DFT、实验氧空位含量与析氧反应（OER）响应验证的工作，同时提醒形成能与实验空位浓度不可互换；电子与光电性质预测，说明早期DFT-ML工作预测的是结构与能量量而非带隙与带边，介绍从紫外—可见光谱自动提取带隙的ML框架（MAE约0.26–0.28 eV，R²约0.73–0.74）并界定其加速光谱提取而非普适组分—带隙模型的定位；多组分HEO组分的数据驱动优化，以MLIP筛选识别先前未报道的非等摩尔含Ca岩盐HEO及ML识别并经XRD与TEM/选区电子衍射（SAED）确认的萤石HEO为例；面向多目标优化的展望，以图9说明相稳定性、活性、运行稳定性、缺陷化学、成本与可持续性的同时优化，并明确多目标优化尚处新兴阶段；ML、DFT与MLIPs耦合加速筛选，强调ML并非取代DFT而是改变DFT资源配置方式；主动学习与贝叶斯优化闭环发现，介绍面向高熵氧载体的主动学习框架及贝叶斯优化在短程序构型定位、帕累托引导多目标机器人AI化学家与HEA电催化活性极大值定位中的应用；从虚拟筛选到逆向HEO设计，以图10概括从预测、筛选到发现、验证、主动学习与逆向/自主设计的演进，并指出真正逆向设计须纳入不确定性、可合成性、工艺条件与实验反馈。功能应用与条件性能优化部分讨论HEO在异相催化、光催化、电化学储能与环境应用中的表现，并区分已确立的HEO功能性与ML预测优化功能性能的新兴应用。异相催化部分以萤石HEO用于CO氧化的研究说明同时兼顾活性、储氧能力与热稳定性的多性质平衡原则，并综述析氢反应（HER）、OER、氧还原反应（ORR）与CO₂还原反应（CO₂RR）中的结构多样性、氧空位与电子结构调控作用。高熵合金催化经验部分详述：无序HEA表面呈现近连续吸附能分布，通过结合位点原子身份与配位壳层元素数目的回归模型预测剩余位点吸附能并结合动力学表达式优化ORR组分；将概率方法扩展至CO₂与CO还原以调控选择性的工作；迭代精化模型结合组分扩展薄膜库正确预测Ag–Ir–Pd–Pt–Ru的ORR活性极大值；利用吸附物与位点特异性深度学习模型考察局域变异性是否打破标度关系并发现局域标度关系仍存；以及将HEA框架迁移至金红石(110) HEO表面OER、尖晶石HEO中混合诱导应变加宽吸附能分布并经实验证实优于低熵对照、岩盐Mg_0.25Ni_0.25Cu_0.25Zn_0.25O表面2000个氧位点氢吸附能主要由氧位正下方金属阳离子决定并由DimeNet++较好预测等工作。局域无序对反应机理、能垒与选择性的影响部分，借助Br?nsted–Evans–Polanyi（BEP）关系说明吸附能分布转化为活化能分布、速率由最活跃局域构型尾部支配，并引述熵稳定氧化物中空位形成能随局域组分与结构畸变显著变化、畸变高熵钙钛矿中氧空位的统计描述及图神经网络预测局域空位形成能并与实测空位含量和OER活性趋势一致的工作；提出HEO机器学习应确立层级目标，先预测位点分辨的吸附能、空位形成能与能垒分布，再耦合平均场或微观动力学模型估计活性与选择性，最后与实验比较，并强调工作态表面分布需由原位/operando表征约束。光催化部分指出该领域相对年轻，已有分析仅识别约38项HEO光催化研究，并梳理光催化H₂析出（TiHfZrNbTaO₁₁为首个高熵光催化剂，带隙约2.9 eV并具d⁰构型）、CO₂还原（萤石(Ce_0.2Zr_0.2Ti_0.2Sn_0.2Ca_0.2)O_2?δ）、污染物降解（晶格畸变HEO活化过氧单硫酸盐、双锰矿结构(CeZrYbErGd)₂O_3+δ可见光降解没食子酸约99%并具良好循环性）以及氮固定与其他新兴反应（含d⁰与d⁰+d¹⁰阳离子构型、八元HEO用于H₂O₂生产）等方面的代表性工作，并强调污染物降解速率依赖污染物浓度、pH、氧化剂浓度、光强、反应器几何、吸附平衡与反应时间，未来数据集应纳入反应条件描述符。电化学储能部分综述锂离子电容器用(FeCoNiCuZn)₃O₄（1 A g^?1下500次循环后约540 mA h g^?1）、不同Mg比例的(Mg_x,Co,Ni,Cu,Zn)O负极阻抗对比与operando研究揭示的多阳离子氧化还原与纳米金属/氧化物重组机制、层状高熵氧化物正极NaMn_0.2Ni_0.2Co_0.2Fe_0.2Al_0.1Cu_0.1O₂（全电池55 mA h g^?1）、熵设计层状氧化物调控局域晶体场稳定化，以及氟取代P2型无相变高熵正极（近零体积变化、0.1 C下182 mA h g^?1）等工作。环境应用部分涵盖污染物降解与高级氧化、CO氧化、化学链（主动学习筛选高熵氧载体，候选性能经第一性原理计算与MLIPs评估而实验合成尚待报道）以及尚属新兴机会的环境传感与气体净化。ML指导功能性能预测部分，跨应用性能基准小节强调过电位、Tafel斜率、起燃温度、产氢速率、表观量子产率、降解效率、能耗、电流密度、比容量与循环保持率量化不同物理过程，不能在未协调测试条件时合并为单一ML目标；区分准确ML预测与ML指导发现改进催化剂小节提出四类证据：回顾性预测、前瞻性计算筛选、ML筛选材料的合成与结构确认但无功能改进证明、以及ML筛选HEO的合成与催化测试并与训练数据或参照催化剂比较，指出迄今仅少数HEO研究达到第四类，即CH₄氧化（Ni_0.04Co_0.48Zn_0.36V_0.12Cr₂O_x，T₉₀=345 °C，含硫含湿条件下稳定超过7000 h）、水煤气变换（闭环主动学习识别四种新尖晶石HEO，最优者在300 °C下产氢251 μmol g_cat^?1 min^?1，超过Pt/γ-Al₂O₃与Cu/ZnO/Al₂O₃参照，稳定运行120 h）与OER（按GNN预测空位形成能排序合成三种组分，实测空位含量与过电位670、600、540 mV顺序与预测一致），而光催化H₂析出、光催化CO₂还原或污染物降解尚无HEO研究达到第四类；并归纳ML增值的三种方式：大规模采样化学无序、减少寻找良好催化剂所需合成次数、利用负数据与可解释描述符界定不应搜索的区域。成功数据驱动HEO发现案例研究部分以表3汇总代表性研究及其验证证据，并逐一评述MLIP岩盐筛选、扩展至可合成性预测、DFT训练图神经网络用于缺陷筛选、氟石HEO预测—合成—表征一体化流程及主动学习高熵氧载体等案例，表4给出各功能应用领域数据驱动HEO研究的相对成熟度。定量基准比较部分强调头条准确率因数据集规模、类别平衡、训练—测试差异、目标定义及回顾性或前瞻性评估而不可直接比较，表5将模型指标与发现空间测试及实验验证并列比较；并说明负数据收集与分类回归耦合筛选用于CH₄氧化、前瞻性主动学习用于水煤气变换（不应与光催化H₂析出混淆）以及MLIPs将瓶颈从DFT枚举转向大规模原子级筛选等工作的定位，指出最具信息量的比较是從数据构建与表征到不确定性、候选选择、化学域测试与实验结果的完整链条。挑战、验证标准与未来展望部分指出HEO机器学习受稀疏且化学偏倚的数据集、不一致的实验报道、负结果有限以及相形成与性能对合成条件强依赖等因素制约，随机划分易导致过拟合，未来应报告面向化学的验证、外部测试、校准不确定性与显式适用域，并保留失败合成与多相结果以界定可合成性决策边界，同时区分热力学稳定性与实验可及性。HEO无序表征与物理信息ML部分强调标称组分不能唯一确定HEO，图神经网络与MLIPs提供了更显式表征原子相互作用的途径，但其跨结构家族、氧化学计量、磁态与重构表面的可迁移性仍待解决，物理信息ML可通过施加电中性、组分归一化、热力学一致性、晶体学兼容性、占位规则与缺陷化学约束在小数据条件下压缩假设空间。从预测性ML到生成与主动设计部分说明主动学习已在HEO发现中显示直接价值，贝叶斯优化与自主实验可减少昂贵评估次数，生成模型可在相稳定性、氧化态平衡、位点兼容性、缺陷化学、元素分布、成本与可合成性等约束下提出组分，但完全生成式HEO设计尚不成熟，生成候选仍需物理筛选与实验验证。面向自主与多模态HEO发现部分提出整合主动学习与自动合成、表征及多模态科学数据的长期目标，指出operando研究已表明工作态信息的重要性——锂化与催化氧化还原机制可能显著不同于非原位结构，位点特异性谱学可识别参与反应的阳离子；数字孪生与基础模型或可支撑此类整合，但标准化多模态HEO数据集尚不存在，近期优先事项应是连接模型预测与可重复实验合成表征的领域特定、不确定性敏感系统。可靠与自主HEO发现研究路线图部分将近、中、远期需求区分：近期最高回报在于整理数据集、负结果、面向化学的划分、校准不确定性与合成数据保存；中期应聚焦构型系综、特殊准随机结构/蒙特卡罗采样、MLIPs、多模态表征与条件相关性能模型；长期自主流程应以经实验验证的候选、减少的实验负担、可量化的资源节约与可重复性而非仅以机器人或生成式AI的存在来评判，表6按时间跨度、建议方法学进展与成功标准组织这些优先事项。ML就绪HEO研究最低报告标准部分提出可复用HEO记录应区分标称与实测组分、保留氧非化学计量与组分不确定性、将合成与热学性质记录为结构化变量而非自由文本，结构标签应区分平均相身份与占位、氧化态、短程序及空位指示等局域信息；模型评估方面，随机交叉验证应至少辅以一项化学相关变量并显式标注适用域，数据集、特征定义、划分代码、超参数、随机种子与候选选择逻辑应予披露；并提出互补验证类别框架：(A)统计验证，含内部重复或嵌套交叉验证及化学域或时间留出；(B)通过DFT或经验证的MLIP对所选候选进行计算验证；(C)实验实现，含独立合成及结构与局域化学确认；(D)功能验证，含在完整报道条件下进行标准化性能与稳定性测试；(E)可重复性，通过独立批次或实验室复现。指出这些类别并非严格累积或顺序，各自回答不同问题而不可相互替代，逆向、自主或闭环发现的声明应明确所满足的类别，改进催化剂的声明至少应由C与D类支持，该框架有意更重视前瞻性实验确认而非回顾性模型准确率的边际提升，表7总结支持这些验证类别与数据复用的最低报告字段。结论部分总结：HEO为材料信息学提供了要求严苛但科学价值显著的测试案例，文献已证明ML在相与结构分类、MLIP组分筛选及氧空位预测方面具有可信能力；按本文提出的互补验证类别评估，多数研究提供统计或计算证据（A与B类），ML筛选HEO的实验实现（C类）已在若干案例中报道，ML筛选催化剂的功能验证（D类）迄今仅在CH₄氧化、水煤气变换与OER等少数反应中实现，光催化H₂析出与CO₂转化尚未实现，独立复现（E类）仍属罕见；HEA催化经验表明最具信息量的催化ML目标是可耦合动力学模型的位点分辨吸附能与空位形成能分布而非组分平均描述符；下一挑战不在于增加算法复杂度，而在于提高表征的物理保真度与检验外推的严谨性，仅组分模型仍适用于快速筛选，但面向发现的模型日益需要局域结构、缺陷、合成与不确定性信息，直接组分—性能预测仍不如相、结构或缺陷预测成熟，因为应用指标强烈受实验方案制约；高影响力进展将需要标准化ML就绪HEO记录、化学感知验证、校准不确定性、负数据以及模型筛选候选与独立合成材料之间的系统比较，DFT、无序感知MLIPs、图模型、多模态表征、主动学习与自动化实验的整合最终可将HEO发现从稀疏经验采样转变为迭代式自我改进的发现过程，通向逆向与自主HEO设计最可信的路径因而是一条物理约束且实验可问责的路径，其中表征、预测、合成、结构验证与功能测试每一环节都具有明确的验证标准。