发掘构效关系描述符是描述复杂的催化剂表面-分子相互作用并预测催化剂性能的关键。近日，中国科学技术大学江俊教授课题组基于高通量第一性原理计算获得的数据集，构建了深度学习神经网络模型，揭示了电偶极矩与催化剂表面-分子相互作用的深层次关联性，并证明了神经网络训练模型从某种材料推广到多种材料的泛化能力（图一），为未来的催化剂设计提供了理论指导。
该研究以“Electric Dipole Descriptor for Machine Learning Prediction of Catalyst Surface–Molecular Adsorbate Interactions”为题，发表在国际顶尖期刊J. Am. Chem. Soc上（J. Am. Chem. Soc. 2020, 142, 17, 7737–7743）。论文被Science杂志编辑Yury Suleymanov撰稿专文推荐（Science 2020, 368,727-728），指出“The transferability of these models between different heterogeneous systems suggests that the electric dipole moment is a promising new type of catalytic descriptor.”论文的共同第一作者为中科大王翕君博士，齐鲁工业大学胡伟教授和中科大博士研究生叶盛。
图1 针对高通量的量化计算数据，应用机器学习和电偶极矩相关描述符准确预测催化剂-分子吸附作用
催化剂表面-气体相互作用通常可以从两个方面来描述——能量（吸附能）和电荷（电荷转移）。前者常常用于描述和预测催化剂的反应活性，而后者用于描述分子与表面的电子态耦合情况。然而，吸附能和电荷转移都是理论概念，难以被实验直接观测，这制约了它们在真实体系中优化催化剂表面活性的作用。此外，由于真实体系中结构改变存在大量的自由度，精确计算吸附能或电荷转移量往往十分昂贵。因此，发展高效、精确且易于获取的表面-气体相互作用描述符成为理性设计高性能催化剂的迫切需求。
与已被广泛使用的描述符如功函数、d带中心、波函数和点电荷等相比，电偶极矩来自于电子态波函数的积分计算，即包含电子分布的定量和空间信息，又易于测量和计算，因此具备描述表面-分子相互作用并预测关键性能参数的潜力。在前期工作中(ACS Appl Mater Inter. 2019, 11: 9629)，研究人员针对小部分数据，在偶极近似的框架下，拟合得到了电偶极矩矢量点乘值与吸附能和反应能垒的线性依赖关系，并给出了有一定指导意义的经验公式。然而，当研究数据样本量增大到超过1万组时，经验公式无法从某一体系泛化推广到更多的催化剂材料，丢失了重要的预测能力。因此，探索出高效且能迁移利用的构效关系描述符，并依此构建从微观结构到性能参数之间的数学映射关系成为进一步的研究目标。
图2 （a-d）描述符与目标性质的对应关系；（e-f）神经网络预测效果评估。
针对这一问题，研究选取了两个电偶极矩相关描述符——表面与分子偶极矩夹角（α）和表面与分子偶极相互作用能（Vdd），作为对比，同时选取了两种已被广泛使用的描述符d带中心（εd）和功函数（WF）。目标特性选取了分子在表面的吸附能和电荷转移量。接着，研究人员应用第一性原理计算，结合机器学习神经网络在高维拟合上的优势，从数万个吸附构型中成功破解了描述符和目标特性之间的定量关系，找到规律并准确预测了分子在催化剂表面的吸附能和电荷转移量（图二）。预测值与计算值之间出色的一致性表明选定的描述符可以准确地关联表面-分子相互作用的所有特征。随后，重要性分析和采用单一描述符的预测的结果显示，基于表面与分子偶极矩夹角α的训练模型总是表现出最佳的预测能力。进一步地，研究发现从NO/CO@Au(111)体系训练得到的模型能够很好地迁移并应用于预测更多的体系，如NO/CO@Au(001)和NO/CO@Ag(111)（图三），展现了深度学习模型在材料研究中从某种材料推广到多种材料的卓越泛化能力。
图2 （a）NO/CO@Au(111)的训练模型迁移应用于NO/CO@Ag(111)示意图；（b-c）模型迁移预测效果评估。
本研究成果提出了原创的、可迁移应用的电偶极矩相关描述符，既能被实验测量，也便于高通量计算，还能准确反映从微观结构（表面几何信息、原子结构、电荷分布、波函数）到性能参数（电荷转移量、吸附能）之间的数学映射关系。为理性设计高性能催化剂提供了理论指导。
该项研究得到了国家自然科学基金委、科技部、合肥微尺度物质科学国家研究中心、和能源材料化学前沿协同创新中心的资助。
附文章链接：https://pubs.acs.org/doi/abs/10.1021/jacs.0c01825