高熵合金（HEA）電催化劑提供了廣闊的組成空間，可用于探索以確定用于能量轉換反應的有趣材料。雖然已經嘗試探索HEA薄膜庫的組成空間并比較實驗和計算研究，但對于HEA納米粒子不存在相應的方法。到目前為止，對HEA納米粒子的催化研究僅限于少量的單個催化劑。

在此，瑞典伯爾尼大學Matthias Arenz等人通過使用貝葉斯優化作為指導構建數據集，報道了碳負載Pt-Ru-Pd-Rh-Au納米粒子在H₂/CO氧化反應中的組成空間的實驗探索。應用無表面活性劑合成平臺，作者研究了68個樣品的數據集。

其中，前體混合物的比例用作貝葉斯優化算法的輸入參數，而在H₂存在下定義的CO氧化“起始電位”用作描述H₂/CO氧化活性的輸出參數。由于明確定義的前體混合物不一定會產生明確的納米粒子組成，因此作者在第二部分中使用一個新的輸入參數構建機器學習模型，即通過能量色散X射線能譜（EDX）確定制備好的納米粒子的組成。通過構建機器學習模型，作者分析了組成元素濃度與催化活性的關系，并與DFT計算進行比較。

圖1. 兩種機器學習模型的性能

研究表明，機器學習模型證實了先前關于Ru在H₂/CO氧化反應中作用的研究結果。通過使用套索回歸來預測雙金屬 Pt-Ru合金的性能，作者發現了與已報道的性能最佳的Pt-Ru催化劑相似的最佳成分。這些結果強烈表明，采用簡單的、不含表面活性劑的合成方法及對納米粒子催化劑進行最小表征的優化過程，主要依賴于定義明確的合成變量并引入催化性能的度量，是探索HEA納米粒子催化劑廣闊組成空間的有效策略。當在成分空間中加入更多的金屬時，這就變得尤為重要。

此外，通過比較計算和實驗研究的發展趨勢，可發現不同組分的“起始電位”與*OH的吸附能之間存在相關性。當考慮5%的*OH吸附最強位點時，計算數據與實驗數據之間的相關性最好。總之，本研究概述了一種有效且可行的方法，用于探索結合實驗和計算手段的碳負載多組分納米粒子的多維組成空間。

圖2. 通過計算成本低廉的模型獲得的總體預測趨勢

Exploring the Composition Space of High-Entropy Alloy Nanoparticles for the Electrocatalytic H₂/CO Oxidation with Bayesian Optimization, ACS Catalysis 2022. DOI: 10.1021/acscatal.2c02563