综述:高熵合金催化剂:从基础热力学到机器学习赋能的发现以及用于电催化应用的闭环优化
《Coordination Chemistry Reviews》:High-entropy alloy catalysts: from foundational thermodynamics to machine learning-enabled discovery and closed-loop optimization for electrocatalytic applications
【字体:
大
中
小
】
时间:2026年08月29日
来源:Coordination Chemistry Reviews 25.6
编辑推荐:
- 将高熵合金(HEA)原则与机器学习(ML)相结合,加速催化剂发现。
- 批判性评估机器学习在高熵合金催化中的作用,识别关键局限性。
- 强调机器学习引导的高熵合金研究论文相对有限。
- 指出瓶颈包括数据稀缺、基准测试和专业人才缺口。
- 提出包含物理信息机器学习、主动学习
- 将高熵合金(HEA)原则与机器学习(ML)相结合,加速催化剂发现。
- 批判性评估机器学习在高熵合金催化中的作用,识别关键局限性。
- 强调机器学习引导的高熵合金研究论文相对有限。
- 指出瓶颈包括数据稀缺、基准测试和专业人才缺口。
- 提出包含物理信息机器学习、主动学习和开放数据库的路线图。
## 引言
自古以来,金属凭借多样化的物理[3]、[4]和化学性质[5]、[6],在人类进步[1]、技术发展[2]和工业推进中发挥着核心作用。对更强、更耐用、更灵活[7]以及功能适应性[8]、[9]材料的持续需求,推动了合金设计和冶金策略的重大进展[10]。在过去的一个世纪中,随着重大科技进步,金属合金的发展迅速推进(图1)。金属材料的持续研究进展扩展了其工业应用,合金设计在定制机械、热学和化学性质方面发挥着关键作用。历史上,大多数合金体系基于一两种主导元素。后来通过可控添加少量合金元素,这一方法发生了转变,实现了对金属合金物理化学行为、性能和功能的精确调节[11]、[12]。一个典型的微量成分改性例子是将碳掺入铁中制造钢材,与纯铁相比显著提高了强度和耐久性[13]、[14]。类似地,铁磁合金中的微量杂质[15]可以调节磁行为并扩展其技术应用[16]。这些例子表明,组成元素之间的相互作用能够实现精确的材料设计,使金属体系满足现代工业不断演变的需求[17]。
高熵合金(HEA)的概念由Yeh等人[18]于2004年首次提出,通过在合金设计中强调多种主元素而非单一基体成分,引入了范式转变[19]。大约在同一时期,Cantor及其同事[17]独立报告了称为多主元合金哲学的类似材料类别,具有相同的组成。此外,Yeh等人[18]将高熵合金定义为含有五种或五种以上主要元素(通常在5至35 at.%范围内)的合金,按等原子或近等原子比例分布。这种设计概念最大化了构型熵,从而促进简单固溶体相相对于复杂金属间化合物的稳定化[20]。
高熵合金设计的核心前提是通过熵驱动稳定无序固溶体相,其中高混合熵降低吉布斯自由能并增强相稳定性[21]。因此,高熵合金展现出卓越的机械强度[22]、硬度[23]、耐蚀性和耐磨性[24]、热稳定性[25]以及电学和磁学性质[26](图2)。与由单一基体元素主导的传统合金不同,高熵合金在单一晶格或纳米级框架中纳入多种主元素,实现协同相互作用以提高其物理和化学性能。由于组成复杂性和广泛的功能可调性,高熵合金被认为是先进结构、功能和催化应用的有前景的候选材料[27]。
高熵合金的合理设计仍然具有挑战性,因为其巨大的组成空间和复杂的结构与化学排列。多种元素在近等原子或非等原子比例下的几乎无限组合产生了多样化的局部原子环境,使得传统试错实验或第一性原理计算难以高效筛选和预测如此庞大设计空间中的性质[28]。机器学习(ML)作为一种强大策略应运而生,通过分析大数据集、识别隐藏相关性和建模组成、结构与性质之间的非线性关系来解决这些挑战[29]、[30]。通过将机器学习算法整合到高熵合金研究中,可以更高效地筛选广泛的组成空间,在实验验证之前预测关键性质[31]。这种数据驱动的方法加速了材料发现,减少了对试错方法的依赖,并支持具有定制多功能性的高熵合金合理设计[32]。因此,机器学习正在成为现代高熵合金开发中的重要工具,实现对合金体系更高效探索和为下一代结构、能源和电催化应用优化的合金系统设计。
机器学习领域的近期进展通过实现数据驱动的组成-性质关系预测,加速了高熵合金设计,如图3a所示。人工神经网络[33]、支持向量机[34]和决策树[35]等算法已被用于预测高熵合金的机械、热力学和相相关性质[36]。深度学习 approaches,包括卷积神经网络[37],也已应用于分析微观结构特征和相分布,支持设计具有改善性能的合金[38]。此外,机器学习辅助高通量筛选可以从大量元素组合中识别有前景的组成[39],减少纯实验筛选相关的时间和成本[40]。在电催化应用中,机器学习还可以进一步辅助预测吸附能、识别活性位点描述符,并优化高熵合金组成以用于HER、OER、ORR、NRR、CORR/CO2RR、HOR、NO3RR和NORR等反应。通过联系元素组成、局部原子结构和中间体吸附行为,机器学习为理解高熵合金催化剂中的结构-活性关系提供了强大途径。总体而言,机器学习为计算建模[36]与实验验证之间搭建了有效桥梁,支持下一代高熵合金的合理设计[41]、[42]。
为提供与高熵合金相关的主要研究组成部分的简明概述,图3b展示了思维导图可视化。该框架连接了核心效应、热力学设计参数、组成设计、机器学习、机器学习辅助高熵合金优化和催化应用。它突出了高熵合金基础、微观结构调控、组成-工艺-结构-性质优化以及数据驱动设计策略与先进功能和电催化体系之间的关系。
机器学习整合已成为加速合金发现和改善高熵合金研究中组成-结构-性质关系的有效策略。本综述提供了高熵合金的聚焦概述,包括其概念发展、基本特征、机器学习辅助设计策略和电催化应用。由于其巨大的组成空间和近等原子与非等原子组成的共存,为特定应用识别合适的高熵合金组合仍然具有挑战性。因此,本综述强调机器学习在通过实现数据驱动预测、高通量筛选和合理组成优化来转变传统合金设计中的作用。通过总结高熵合金和机器学习-高熵合金研究的最新进展,本综述突出了数据驱动框架如何解决了高熵合金开发中的关键挑战,并支持为不同电催化应用设计下一代高性能材料。
## 章节摘要
**高熵合金催化剂设计相关的理论基础**
大量研究集中于高熵合金的合成、加工和基本特征,Zhang (2019) [43]、George (2019) [44]、Guo等人 (2011) [45]和Chen等人 (2018) [46]提供了重要见解。元素浓度和构型熵两个关键标准通常用于分类高熵合金。这些原则对高熵合金催化剂设计很重要,因为它们影响表面组成、局部原子环境、吸附行为和稳定性。
**历史发展、里程碑发现和范式转变**
尽管多组元合金的初步工作开始得更早,但关于结晶多主元合金[[17]、[65]]和高熵合金[[63]、[64]]的首次研究报告出现在相同时期。多主元合金的研究可以追溯到1970年代的早期本科论文,后来通过1998年的另一项本科研究进行了扩展。经过重大改进和扩展后,这些工作正式发表[77]并在2002年的会议上展示(图7a)。
**高熵合金固有性质的基本效应**
高熵合金因其多主元组成而展现出独特的结构和功能特征。Yeh等人[18]引入了高熵合金概念并提出四种核心效应:高熵效应、缓扩散效应、严重晶格畸变和鸡尾酒效应,这些效应使高熵合金区别于传统合金体系[82]。如图8所示,这些相互关联效应的协同作用为理解高熵合金行为的机制提供了重要见解。
**高熵合金设计的热力学见解和指导方针**
为不同应用设计具有定制性质的高熵合金需要仔细考虑其基本热力学和物理特征[144]。传统上,理论模型和经验参数[[148]、[149]]已被广泛用于预测合金组成、晶体结构、相稳定性和热力学行为之间的关系[[150]、[151]]。Hume-Rothery规则[152]最初为传统合金开发,也已扩展到...
**高熵合金组成的战略方法**
等原子高熵合金最初是为探索多组元相图中的中心组成区域并实现简单固溶体相在组成复杂合金中的意外稳定化而开发的[58]。在过去二十年中,高熵合金研究取得了相当大的进展,伴随合金设计策略的持续改进。相比之下,非等原子高熵合金的合理设计不太直接,主要源于结合高熵概念...
**机器学习驱动的高熵合金发现和设计**
**为何需要机器学习?** 识别最优元素组合仍然具有挑战性,因为可及的组成空间极其庞大且高度非线性。因此,传统基于直觉或试错方法对于发现具有目标性能的合金组成效率低下[[47]、[59]、[209]]。尽管计算方法如热力学建模[210]、MD模拟[211]、DFT计算和CALPHAD [212]在合金中已被广泛使用...
**用于高熵合金发现和设计深度学习**
深度学习(DL)作为机器学习的一个子集,提供了比许多传统机器学习技术更灵活和适应性更强的工具。深度学习能够通过多层神经网络结构识别数据中极其复杂和非线性的模式。这种结构深度使更高效的功能表示和信息提取成为可能,减少了对手动干预的大量需求。这些优势使深度学习模型在诸如语音等挑战性任务中表现出色...
**高熵合金研究的数据资源和基准**
数据资源分为三个主要类别:数据库、存储库和数据集(图18a)。不过,需要强调的是,这些分类并非总是互斥的,实际上可能会重叠。作为特定研究的一部分,单一作者群体通常开发和报告数据集,即结构化的数据集合。它们定期存储在公共存储库如Figshare [276]和GitHub [277]中,并通常供应...
**高熵合金中的机器学习应用:从数据收集到设计**
多尺度计算框架越来越多地与实验研究结合使用,以检查并合理开发高熵合金[291],此外深入了解微观结构特征如何影响机械行为和相稳定性[292]。近年来,定向实验验证与高通量计算机筛选相结合已证明对合金创造非常有益[293]。第一性原理DFT [294]、MD [295]、有限元法(FEM)[296]以及...
**机器学习在高熵合金催化中的瓶颈和前瞻关键策略**
尽管机器学习为快速筛选高熵合金提供了强大潜力,但将其应用于高度复杂和无序的催化系统仍然具有挑战性。这些困难超出了技术限制,主要是由数据驱动建模技术与高熵合金基础物理复杂性之间的根本不相容性造成的。
首先,数据容量有限的问题只是基本障碍的一个方面。高熵合金具有几乎无限多样的微小结构...
**高熵合金的先进表征方法**
高熵合金的物理和催化性质,以其复杂组成为特征,受其局部原子环境、微观结构和化学状态的极大影响。因此,需要详细的表征来理解、解释和优化这些性质。研究人员可以利用多种实验技术获得关于晶体结构、元素分布、化学键合、表面状态和微观结构特征的关键信息...
**高熵合金催化剂的闭环优化**
高熵合金极其庞大的组成和构型空间使得传统催化剂发现缓慢、昂贵且不完整[[149]、[151]、[407]]。传统实验筛选需要反复合成、表征和电化学测试,而DFT计算受限于计算成本[[345]、[351]],特别是在必须考虑大表面模型、多个吸附位点、偏析效应和重构表面时[151]。因此,一个...
**当前挑战和未来展望**
高熵合金设计、机器学习、多尺度模拟和先进表征的整合显著扩展了高熵合金的研究领域。本综述讨论了三个主要方面:高熵合金的基本性质和设计原则、机器学习算法在高熵合金发现中的作用,以及机器学习与高熵合金催化应用的整合。先进表征技术与多尺度模拟的结合使用提供了新的见解...
## 结论
本综述突出了高熵合金设计的重大演变,这由其卓越的组成灵活性和多功能性质驱动。它强调了从传统合金设计策略向越来越整合机器学习的数据驱动方法的转变。
传统实验方法和计算工具,如密度泛函理论(DFT)、分子动力学(MD)、有限元方法(FEM)和CALPHAD,为理解高熵合金(HEAs)提供了坚实的基础;然而,其可扩展性和效率仍然有限。
利益冲突声明
作者声明,他们没有已知的竞争性财务利益或个人关系可能会影响本文所报告的工作。
致谢
本研究由韩国科学技术信息通信部资助的国家研究基金会(NRF)纳米与材料技术开发计划支持(RS-2024-00446825)。
Sumayya Mumtaz | John D Rodney | T Ratnaji | Byung Chul Kim
生物通微信公众号
生物通新浪微博
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