综述：用于氧还原反应的人工智能与机器学习：催化剂发现与耐久性建模综述

《Electroanalysis》：Artificial Intelligence and Machine Learning for Oxygen Reduction Reaction: A Review on Catalyst Discovery and Durability Modeling

　　

质子交换膜燃料电池（PEMFCs）阴极的氧还原反应（ORR）仍然是阻碍氢基能源技术广泛采用的主要动力学瓶颈。本质上缓慢的四电子转移过程需要高负载的铂族金属（PGM），从而推高成本并损害耐久性，这两个因素严重限制了大规模商业化。尽管经过数十年的研究，由于巨大的组分设计空间以及试错实验和密度泛函理论（DFT）计算的局限性，设计耐久且高性能的ORR电催化剂被证明难以实现。近年来，人工智能（AI）和机器学习（ML）重塑了催化剂发现的格局，实现了预测性构效关系建模、快速开发代理模型以及化学设计空间的自主探索。本综述批判性地评述了AI和ML在催化剂开发流程中的应用，从数据集整理和用于活性预测的监督或深度学习模型，到ML加速的DFT筛选和用于自主发现的贝叶斯优化。特别关注耐久性和退化建模，尽管其对于实际部署至关重要，但与活性预测相比仍然发展不足。

1 引言
质子交换膜燃料电池（PEMFCs）是高效电化学能量转换平台，但其商业化依赖阴极电催化进展。氧还原反应（ORR）涉及四质子四电子转移，酸性条件下动力学迟缓，导致高铂族金属（PGM）负载和成本问题。传统试错法与密度泛函理论（DFT）受限于组分空间庞大和计算成本。人工智能（AI）与机器学习（ML）通过预测性构效关系建模、代理模型和自主探索重塑催化剂发现。本综述聚焦酸性PEMFC的ORR电催化，并提出三个独特视角：批判性评估通用催化数据集的域偏移问题、深入探讨耐久性预测、连接原子尺度描述符与MEA级性能。

2 ORR电催化基础
2.1 ORR反应路径与机理框架
酸性电解质中，ORR遵循四电子路径生成水，或二电子路径生成过氧化氢（H₂O₂）。四电子路径包含缔合机制（经*OOH中间体）和解离机制（直接O–O断裂）。计算氢电极（CHE）框架用于评估各基元步骤自由能，理论极限电位（U_L）决定过电位。*OH还原通常为铂表面的速率决定步骤。

2.2 吸附描述符、火山关系与Sabatier原理
ORR活性主要受*OH吸附自由能（ΔG_OH）控制，铂位于火山曲线顶点。d带中心（ε_d）模型解释过渡金属吸附趋势。但复杂合金、高熵合金和M–N–C材料需额外描述符。

2.3 从Pt基到PGM-free的催化剂版图
商用Pt/C质量活性约0.4–0.7 A mg_Pt^?1，未达DOE目标。Pt合金（Pt₃Ni、Pt₃Co）、有序金属间化合物、核壳结构、单原子催化剂（SACs）、高熵合金（HEAs）等被广泛研究。M–N–C材料中Fe–N₄位点活性最高，但稳定性不足。

2.4 催化剂退化机制
主要退化机制包括：铂溶解与再沉积、碳载体腐蚀、Ostwald熟化与颗粒团聚、合金和M–N–C中金属浸出。这些机制共同导致电化学活性面积（ECSA）损失和性能衰减。

2.5 从原子尺度描述符到实际PEMFC性能的多尺度框架
催化剂性能受从吸附能到离子omer分布、传质、制备工艺、运行条件和耐久性等多尺度因素影响。仅基于RDE或原子尺度数据训练的ML模型需显式考虑MEA级因素。

3 AI/ML辅助ORR催化剂研究的数据基础设施
3.1 ORR数据集的类别与来源
数据来源包括高吞吐DFT数据库（OC20、OC22、Materials Project、AFLOW等）和实验文献。实验数据存在异质性，自然语言处理（NLP）工具如ChemDataExtractor可辅助提取。

3.2 描述符工程与特征表示
常用组成描述符（MAGPIE、Matminer）、DFT电子结构描述符（d带中心、pDOS等）和图表示。图神经网络（GNN）可端到端学习结构–性能关系，等变GNN提升准确率。

3.3 数据质量挑战与FAIR数据原则
存在数据稀疏性、实验标准不一致、元数据缺失和可重复性差等问题。FAIR原则（可发现、可访问、可互操作、可重用）和标准化本体（如BIG MAP、EMMO扩展）是构建可靠数据集的基础。

4 用于ORR催化剂性能预测的ML模型
4.1 监督学习方法
4.1.1 集成方法与核模型
随机森林、XGBoost、支持向量回归（SVR）和高斯过程回归（GPR）用于预测吸附能和过电位。树模型提供特征重要性，GPR提供不确定度。
4.1.2 模型评估与验证协议
需采用留一簇交叉验证、组成外推测试和前瞻性实验验证。不确定性量化（如集成标准差、共形预测）对实验资源分配至关重要。

4.2 深度学习架构
4.2.1 人工神经网络与卷积神经网络（CNNs）
全连接ANN可预测吸附能，但存在过拟合和解释性差问题。CNN用于处理电荷密度图等网格化电子结构表示。
4.2.2 图神经网络（GNNs）
GNN如SchNet、GemNet-OC、MACE等以原子图为输入，通过消息传递学习局部环境。在OC20上MAE约0.2–0.4 eV，但对ORR特定组成需独立验证。

4.3 无监督学习与潜空间分析
k-means、聚类、变分自编码器（VAE）等用于识别组成分组、学习潜表示和生成新结构。

4.4 强化学习（RL）与生成式AI
生成对抗网络（GANs）、扩散模型和RL用于逆向设计，贝叶斯优化（BO）结合高斯过程和采集函数实现多目标优化。

4.5 统一评估框架
不同AI/ML方法需从催化剂类别、数据源、描述符、预测目标、架构、验证协议和局限等维度对比。集成方法适合窄组成空间，GNN适合大尺度结构多样空间，BO/AL适合评估成本高的场景。

5 DFT–ML集成加速ORR催化剂发现
5.1 DFT在ORR筛选中的作用
DFT是数据生成和验证工具。GGA-PBE为常用泛函，BEEF-vdW提供不确定性估计。高吞吐工作流使用ASE、AiiDA等管理计算任务。

5.2 用于DFT加速的ML代理模型
机器学习原子间势（MLIP）如Behler–Parrinello势和GNN势（DimeNet、GemNet等）可作为DFT快速代理。OC20基准显示MAE 0.2–0.5 eV，但需针对ORR中间体和表面外推验证。电化学环境效应（溶剂化、电位、双电层）常被忽略。

5.3 Pt合金、SACs和HEAs的高吞吐筛选
高吞吐DFT数据库结合ML回归和符号回归识别组成描述符。Fe–N₄和Co–N₄被预测为高活性位点。ML可扩展筛选至双原子位点和HEA表面局部环境。

6 AI辅助催化剂筛选与多目标优化
6.1 虚拟筛选流程
分层筛选流程：组成描述符预筛→MLIP结构弛豫→GNN吸附能精炼→DFT验证。需校准层级间排序一致性。

6.2 用于定向数据获取的主动学习（AL）
AL循环通过查询委员会（QBC）、核心集选择和多保真AL最小化DFT/实验成本。采集函数决定探索–利用平衡。

6.3 多目标优化：活性、稳定性与成本
Pareto最优方法同时优化活性、稳定性和成本。多目标BO（ParEGO、EHVI）已用于Pt合金组成优化。MEA级指标纳入优化是重要方向。

6.4 自主与闭环催化剂发现
机器人合成平台和自动化电化学表征与ML推荐结合，形成闭环。A-Lab等SDL示范了自主发现循环，但ORR专用平台仍处于早期。

7 催化剂耐久性预测的AI/ML前沿
7.1 AI/ML辅助ORR研究中的耐久性缺口
耐久性预测远落后于活性预测。缺乏标准化长期降解数据集和复杂多机制退化建模是主因。

7.2 耐久性预测的数据集与描述符
耐久性数据集需时间分辨的多点ECSA、质量活性和AST数据。静态描述符不足以描述动态退化，需初始粒径分布、碳腐蚀敏感性、合金有序度、EIS特征等。

7.3 时间序列与物理信息ML用于退化建模
LSTM/GRU和Transformer用于ECSA和活性衰减轨迹预测。物理信息神经网络（PINNs）嵌入Ostwald熟化动力学和电化学热力学约束，提高外推可靠性。

7.4 预测特定退化机制
ML分类器基于后表征数据（TEM、XAS、ICP-MS）区分主导退化机制。SHAP分析识别Pt溶解速率的关键特征。对于M–N–C系统，可用RRDE时间序列预测H₂O₂选择性演变。

8 主要挑战与未解决的局限
8.1 数据稀缺与化学空间覆盖不均
实验数据稀少且分布不均，模型易高估泛化性能。需社区协调数据生成活动和迁移学习。

8.2 实验不一致与基准缺失
ORR测量协议差异导致50–100 mV半波电位和2–3倍质量活性波动。建立跨实验室验证的公开基准数据集是关键投资。

8.3 描述符选择与可迁移性
特定催化剂类的描述符难以跨类使用。可学习的表征方法如GNN有望提供通用框架。

8.4 DFT局限与电化学环境
GGA-DFT存在自相互作用误差、忽视溶剂化等。CHE假设引起极性吸附物误差超过0.2 eV。更高保真方法（AIMD、约束电位DFT、QM/MM）生成数据速度慢，仅适合验证。

8.5 模型可解释性与可解释性
黑盒模型可能学习伪相关。常用事后解释方法（SHAP、注意力）有局限。开发物理约束的架构（如CHE参数化、等变GNN）是方向。

8.6 实验验证不足与“实验室到模型”鸿沟
多数ML研究止步于计算预测，缺少合成和电化学验证。需推动前瞻性实验验证作为发表规范。

9 未来展望
9.1 PINNs与混合建模
物理信息ML通过嵌入Butler–Volmer方程、Marcus理论和标度关系，提高数据效率和泛化性。

9.2 电催化的基础模型
预训练于大规模DFT数据的CHGNet、MACE-MP-0等可微调至ORR任务。LLM用于文献挖掘和假设生成。

9.3 自主实验室与数字孪生
SDL平台将自动化合成、表征、测试与ML编排结合。数字孪生集成活动预测、传输模型和数据同化，实现长期性能预测。

9.4 超越已知材料类别的生成式催化剂设计
VAE、扩散模型等可生成全新活性位点。结合ML筛选、DFT验证和自主合成，有望发现非常规催化剂。

9.5 多模态学习与Operando数据集成
融合XANES/EXAFS、EC-STM、SEIRAS和X射线散射等多模态数据，捕获真实运行状态下的催化剂行为。

10 文献综述发现的总结与结论
AI/ML已从试错法转向数据驱动流程。GNN、BO、AL等显著加速筛选并降低DFT成本。然而，原子尺度预测不等同于器件性能，存在多尺度鸿沟。耐久性预测因数据稀缺而滞后，未来需协调生成高质量耐久性数据集。生成式AI和基础模型虽前景广阔，但未经验证。通用催化数据集（如OC20）不能直接代表电化学界面。模型验证需采用组成外推、跨簇CV和前瞻性实验。透明报告和标准规范将提高可重复性。最终，AI需要与多尺度模拟、自主实验室和数字孪生整合，才能实现从电子描述符到实际电池性能和商业可行性的可靠预测。