基于多智能体大语言模型框架的推理驱动单原子催化剂设计

《ACS Central Science》：Reasoning-Driven Design of Single-Atom Catalysts via a Multiagent Large Language Model Framework

　　

大语言模型（large language models, LLMs）正越来越多地应用于自然语言处理之外的领域，在传统上需要人类专业知识的复杂科学任务中展现出强大能力。这一进展已延伸到材料发现领域，LLMs通过利用推理和上下文学习（in-context learning）引入了一种新范式，这些能力是传统机器学习方法所不具备的。在此，研究人员提出了一种基于多智能体的电催化剂搜索与优化框架（Multi-Agent-based Electrocatalyst Search Through Reasoning and Optimization, MAESTRO），在该框架中，多个具有专门角色的LLMs协作发现用于氧还原反应（oxygen reduction reaction, ORR）的高性能单原子催化剂（single-atom catalysts, SACs）。在自主设计循环中，智能体迭代地进行推理、提出修改、反思结果并积累设计历史。通过这一迭代过程实现的上下文学习，MAESTRO识别出了并未显式编码在LLMs背景知识中的设计原理，并成功发现了打破反应中间体之间常规标度关系的催化剂。这些结果凸显了多智能体LLM框架作为产生化学见解和发现有前景催化剂的强大策略的潜力。

发现具有高催化活性、选择性和长期稳定性的新材料一直是重大科学挑战。传统材料发现策略已从纯实验和第一性原理模拟发展到机器学习（machine learning, ML）主导的范式。早期ML方法主要依赖高通量筛选，需要预先生成大量数据集，再用性质预测模型过滤候选材料。然而，随着化学搜索空间扩大和性能要求提高，这类策略面临数据可用性、计算成本和可扩展性瓶颈。逆设计策略虽取得进展，但大多仍依赖预存训练数据的覆盖度和质量，在分布偏移下预测可靠性下降，且难以同时提出候选并形成可迁移的设计假设。大语言模型（large language models, LLMs）凭借人类式推理和上下文学习能力，为材料逆设计提供了新途径。然而，在异相电催化这一复杂领域，利用LLM推理设计高性能催化剂的研究仍很稀缺。为此，研究人员开发了基于多智能体的电催化剂搜索与优化框架（MAESTRO），并验证其在氧还原反应（oxygen reduction reaction, ORR）单原子催化剂（single-atom catalysts, SACs）设计中的有效性。该工作发表在《ACS Central Science》。

研究人员开展的MAESTRO框架由多个LLM智能体组成，包括设计、反思、总结和探索报告等角色，在一个自主设计循环中迭代进行推理、修改、评估和反思。通过上下文学习，智能体能够积累设计历史并提炼设计原理。应用该框架，研究人员成功设计出打破常规标度关系的SACs，其ORR过电位低于由标度关系决定的理论极限0.36 V，同时保持或提高电化学稳定性。重要意义在于，该框架不仅能优化催化剂，还能自主产生化学洞见，减少人工干预。

关键技术方法方面，研究人员采用GPT-4.1 mini作为LLM核心，Universal Models for Atoms（UMA）作为机器学习力场（machine learning force field, MLFF）替代密度泛函理论（density functional theory, DFT）进行快速性质预测。为验证UMA的外推能力，构造了包含DFT计算能量、力和结合能的定制SAC数据集。设计循环中智能体可修改中心金属原子、第一配位壳、第二配位壳、轴向配体和官能团。使用计算氢电极方法计算吉布斯自由能和过电位，并计算溶解电位。通过DFT（VASP，PAW-RPBE）对发现的重要催化剂进行验证，结构弛豫至总能量收敛到10^?4 eV，原子力收敛到0.05 eV/?。同时设置了历史+探索、仅历史、无历史、随机四种策略进行对比，并以贝叶斯优化作为非LLM基准。

**MAESTRO框架**：框架由设计、计算、反思、总结四个节点和对应智能体组成。设计智能体基于结构和数据提出修改假设，修改工具验证可行性，计算节点用MLFF评估，反思节点反馈成败，总结节点压缩历史。整个过程分探索和利用两阶段，探索阶段注重结构多样性，利用阶段聚焦降低过电位并保持稳定性。

**MLFF与LLM组件验证**：UMA在分布外（out-of-distribution, OOD）数据集上能量和力的平均绝对误差（mean absolute error, MAE）分别为8.83 meV/atom和47.73 meV/?，结合能MAE为0.346 eV，但Spearman秩相关系数达0.9698，表明其能保持能量变化趋势。LLM提出的修改，如第二配位壳氮取代，可降低Fe中心的d带中心，实现结合能向目标方向移动，证明其具备物理合理的结构-性质关系理解。

**整体框架性能评估**：使用平均过电位、最低过电位、超体积和活跃点体积四项指标。历史+探索策略表现最佳，在利用阶段平均过电位最低，最低过电位也最低。设计运行中，探索阶段过电位波动大，利用阶段收敛。溶解电位随时间升高，表明框架能同时改善活性和稳定性。与无历史、随机策略相比，该策略有效缓解活性-稳定性权衡，且催化剂复杂度适中。

**上下文学习的影响**：从4000个结构中收集了2017个独特催化剂的结合能，确认ΔG_*O与ΔG_*OH、ΔG_*OOH与ΔG_*OH存在线性标度关系，由火山图得到理论最小过电位0.36 V。在10次独立运行中，随机和无历史策略打破标度关系的频率平均不到1次，而带历史策略超过3次，证明上下文学习对突破标度约束至关重要。

**揭示催化剂设计原理**：代表性催化剂过电位0.31 V，其设计过程是先引入表面氧官能团（*COC或*COH），这些基团与*OH和*OOH中间体形成氢键，选择性稳定它们，从而单独提高ΔG_*O，打破标度关系。随后在第一、第二壳层进一步优化。DFT验证了11个候选，其中6个过电位低于0.36 V，5个具有氢键特征。真阳性候选的*OOH末端H的Bader电荷更高（均值0.605 e vs 0.577 e），与更强O–H极化和氢键稳定一致。

讨论部分：模型、起始状态和超参数方面，贝叶斯优化虽能发现少数打破标度关系的候选，但缺乏化学可解释性。替换GPT-5 mini和Gemini-3.1-flash-lite后性能相当。从PtN₄等不同起始结构出发均能获得低于0.36 V的平均最低过电位。温度在0.2到1.8范围内，中等温度表现稳健，极端温度下降。局限性方面，局部修饰的催化剂可能难以实验合成，未来可结合LLM合成规划提高可合成性。目前框架局限于SAC体系，未来可扩展到双原子催化剂（dual-atom catalysts, DACs）和CO₂还原等更复杂反应。

结论部分翻译：在这项工作中，研究人员提出了MAESTRO框架，并证明优化循环中专门智能体之间的迭代交互能够逐步提高催化活性和稳定性。值得注意的是，该框架识别的催化剂突破了常规标度关系所施加的ORR过电位理论下限。这些发现表明，设计历史的积累，加上智能体驱动的推理和自我反思，可以揭示LLM背景知识中未明确编码的新物理原理。总之，研究结果提示MAESTRO框架不仅是一种有效的催化剂优化工具，也是一种自主产生新化学见解的手段，显著减少下一代催化剂发现中所需的人工干预。