利用数据驱动方法辨析MOF/MOF衍生材料电催化析氢活性的潜在趋势

《Energy and AI》：Discerning the Underlying Trends in Electrocatalytic Hydrogen Evolution Activity of MOF/MOF-Derived Materials using Data-Driven Approach

　　

开发替代绿色能源对于应对由森林砍伐和过度资源开采引起的气候变化至关重要。在新兴的清洁能源策略中，使用金属有机框架（MOF）或MOF衍生材料作为电催化析氢反应（HER）的催化剂，为可持续绿色氢能生产提供了一条有前景的途径。这些材料因其结构多样性和可调电子性质而作为HER电催化剂引起了广泛关注。然而，由于现有实验数据的复杂性和冗余性，识别表现最佳的候选材料仍然具有挑战性。在本研究中，研究人员展示了一个手工整理的数据库，包含566个HER催化剂条目，每个条目由从SCOPUS索引出版物中提取的26个特征描述。该数据库包括关键电化学参数——过电位（overpotential）、塔菲尔斜率（Tafel slope）、交换电流密度（exchange current density）和Rct——以及结构描述符，如金属中心、连接体和合成方法。研究人员使用推理统计、监督和无监督机器学习（ML）模型，包括决策树（DT）、支持向量机（SVM）、朴素贝叶斯（NB）、主成分分析（PCA）和K均值聚类（K-Means clustering），来揭示潜在的机理模式并识别高性能催化剂。这使得能够根据主导HER机理（机理限制情况、Volmer–Heyrovsky、Volmer–Tafel）对催化剂进行分类，并针对商业Pt/C参考对催化剂进行基准测试。基于建模方法得出的见解，从数据集中筛选出62个有前景的催化剂条目。其中，10个催化剂条目在能量需求（低过电位）和快速动力学（低塔菲尔斜率）方面表现出与Pt/C竞争的性能。该组中四个催化剂条目是含Ni或Co的非贵金属催化剂。该组中大多数催化剂条目显示出Pt的掺入，例如，在非贵金属催化剂或MoS₂中掺入Pt。

**论文解读：利用数据驱动方法揭示MOF/MOF衍生材料电催化析氢活性潜在趋势**

**研究背景与问题**
全球能源需求增长与化石燃料环境影响促使研究人员寻求可持续清洁能源。氢能因其高能量密度和燃烧产物为水而成为理想能源载体，其中电催化水分解产氢（HER）因水资源丰富而极具潜力。金属有机框架（MOF）及其衍生材料凭借可调孔隙、高比表面积和丰富化学功能，成为HER电催化剂研究热点。然而，现有实验数据复杂且冗余，传统方法难以高效识别高性能催化剂。为此，研究人员开展本研究，旨在通过数据驱动方法系统分析MOF/MOF衍生材料的HER活性，建立机理与性能关联，加速催化剂筛选与设计。该研究成果发表于《Energy and AI》。

**关键技术方法（不超过250字）**
研究人员从SCOPUS数据库（2015–2025年）中筛选出144篇原始研究论文，构建了包含566个HER催化剂条目、26个特征的手工数据库MOFDB_25。特征涵盖电化学参数（过电位、塔菲尔斜率、交换电流密度、Rct）、结构描述符（金属中心、连接体、形貌）及合成参数。采用推理统计描述数据分布，并应用监督机器学习（决策树DT、支持向量机SVM、朴素贝叶斯NB）进行机理（VH/VT vs MLc）和性能分类，半监督主成分分析（PCA）探索结构-性能关联，无监督K均值聚类（K-Means）识别高性能催化剂。关键特征选择后，仅使用过电位（OP）和塔菲尔斜率（TS）进行聚类，最终筛选出62个有前景条目并进一步细分。

**研究结果**

**3. Result and discussion**
- **介质与机理分布分析**：通过推理统计，发现62.3%的催化剂在碱性介质中测试，36.4%在酸性介质中，仅1.4%在中性条件。机理分析显示，60.5%的催化剂遵循Volmer–Heyrovsky（VH）机理，34.2%属于机理限制情况（MLc），仅5.2%遵循Volmer–Tafel（VT）机理，表明VT途径因表面H覆盖不足或H-H偶联动力学差而罕见。
- **3.1 Supervised Machine learning**：使用DT、SVM、NB对催化剂进行VH/VT与MLc类别分类，以及基于能量需求（低OP<200 mV vs 高OP≥200 mV）和综合性能（好/坏）分类。DT模型在所有任务中均表现最佳，AUC值最高，SVM稳健，NB较弱，验证了树模型和边界模型在催化剂分类中的优越性。
- **半监督PCA分析**：引入结构维度（0-D、1-D、2-D、3-D）进行半监督PCA，发现TS和OP与结构拓扑无显著相关，仅与机理趋势存在弱关联，表明纳米尺度结构对电化学参数影响有限。
- **3.2 Unsupervised ML**：排除MLc类（340个条目）后，进行PCA降维，显示OP和TS占主导方差（PC1），交换电流密度（ECD）和Rct贡献PC2。K均值聚类（K=6）将340个条目分为6簇，其中红色簇（Cluster 1）含62个低OP和TS的条目，进一步进行K-Means-62聚类（K=3），得到三个子簇：Cluster 1（高OP，平均102 mV）、Cluster 2（中OP，平均40 mV，TS 45 mV dec^-1）和Cluster 3（低OP，平均39.5 mV，TS 25.5 mV dec^-1）。Cluster 2中30个条目有21个为非Pt基催化剂，多数为MOF衍生材料，遵循VH机理；Cluster 3中17个条目（含Pt/C参考）有10个高性能催化剂，其中4个非Pt基（如NiCo₂O₄/NiO/CoF₂@mC700、Co(Ni)Ox@CoPx-3）表现出与Pt/C竞争的性能，主要遵循VT机理。

**结论与讨论**
总结部分：研究人员构建了MOFDB_25数据库，通过推理统计和迭代机器学习框架（监督、半监督、无监督）分析了催化剂性能与机理。DT模型在分类中表现最佳，SVM稳健，NB较弱。半监督PCA显示纳米结构对电化学参数无显著相关，可能由于数据缺失和机理复杂性。无监督聚类成功识别出高性能催化剂群，展示了数据驱动方法的实用价值。

研究结论部分翻译：
“一个全面的MOF和MOF衍生HER催化剂数据库MOFDB_25已被构建。使用探索性和推理统计分析了催化剂在酸性和碱性介质中的性能以及机理模式。采用包含监督、半监督和无监督方法的迭代机器学习框架来评估催化剂性能和机理分类。在所有三个分类研究中（机理分类VH/VT vs MLc、能量需求低OP vs 高OP、整体催化剂性能好 vs 坏），DT始终表现出最佳且最可靠的预测能力。SVM也在数据集上表现出稳健的泛化能力。相比之下，NB模型显示出明显较弱的性能，证实了基于树和基于边界的方法在催化剂分类中的优越性。半监督PCA分析显示，催化剂的纳米尺度结构与电化学参数（如TS和OP）以及HER机理之间无显著相关性。这可能是由于潜在机理格局的复杂性、许多催化剂条目缺乏其他电化学参数（Rct、Cdl、ECSA、ECD）以及催化剂电子结构信息的缺失。尽管如此，无监督聚类分析模型成功识别出富含高性能催化剂的组，展示了数据驱动方法在催化剂基准测试中的实用性。”

讨论部分：研究人员指出，尽管MOFDB_25数据集来自144篇研究，但存在选择偏差（如仅依赖Scopus数据库、付费文章限制），且参数分布不均（Rct、Cdl、ECSA、ECD频繁缺失）导致数据缺口，限制了统计分析和模型鲁棒性。未来需扩展数据集，纳入完整电化学参数和电子/拓扑结构特征，并采用混合机器学习-密度泛函理论（ML-DFT）框架以弥补数据不足，从而建立定量结构-性能关系，推动数据驱动催化剂发现的实验转化。