基于CatBoost的可解释机器学习方法用于量化CO2甲烷化设计中的分类催化剂描述符

《ACS Catalysis》：Quantifying Categorical Catalyst Descriptors for CO2 Methanation Design via CatBoost-Based Interpretable Machine Learning

　　

摘要

CO₂甲烷化是实现CO₂价值转化以及储存可再生氢气的重要途径。机器学习为理解催化系统提供了分析框架。不过，传统的机器学习模型通常采用独热编码方式，这种做法会将彼此关联的催化组分拆分为独立的稀疏二元变量，从而限制了对催化剂、反应条件与CO₂转化率之间复杂关系的理解。在本研究中，研究人员将一种采用原生分类编码的可解释分类提升模型（CatBoost-NCE）应用于包含4026组实验数据的数据集。由于该模型保留了原生的分类特征，因此能够直接对活性金属、载体、催化剂促进剂以及制备方法进行定量分析，同时在三种独立的数据划分中的预测性能依然十分稳定（平均测试R²值为0.918 ± 0.003）。通过PDP和SHAP分析发现，反应条件是影响反应结果的最主要因素，而催化剂成分及制备相关特征也起着重要作用。在各类催化剂分类特征中，其影响程度依次为载体 > 活性金属 ≈ 制备方法 > 催化剂促进剂。除了对整体特征进行解读外，针对不同催化剂体系在活性金属存在条件下的温度变化分析，还揭示出了不同的温度响应规律；而对载体替换效应的分析则表明，载体的作用与活性金属密切相关。对于以镍为基础的催化剂而言，CeO₂具有正向且稳定的替换效应。基于该模型设计的X-Ni–CeO₂催化剂，其实际转化率与预测值高度吻合，外部验证时的R²值为0.876。进一步的特性分析以及原位DRIFTS测量结果，进一步证实了活性金属与载体之间的相互作用，同时也阐明了反应中间体的演变过程。通过对裸镍团簇进行的ReaxFF分子动力学模拟，研究人员从原子层面了解了在CO₂甲烷化过程中，镍活性位点上可能发生的反应事件及反应路径。本研究将积累的催化剂数据转化为实用的设计规则，为基于数据的异质催化剂研发提供了可靠的工具。