用于生產(chǎn)聚合物級(jí)乙烯的乙炔選擇性半氫化是一個(gè)重要的化學(xué)工業(yè)過(guò)程，乙炔的易活化和乙烯的弱吸附是高性能催化的關(guān)鍵要求。單原子合金（SAA）對(duì)乙炔的結(jié)合作用強(qiáng)，對(duì)乙烯的作用弱，因而被認(rèn)為是乙炔半加氫的優(yōu)良催化劑。

在此，北京化工大學(xué)張欣教授、楊宇森博士等人建立了一種開(kāi)創(chuàng)性的機(jī)器學(xué)習(xí) （ML）輔助方法來(lái)研究70種SAA催化劑對(duì)乙炔半加氫反應(yīng)的反應(yīng)活性和選擇性。具體而言，作者采用可訪問(wèn)特征和DFT計(jì)算結(jié)果來(lái)訓(xùn)練ML模型，該模型可以準(zhǔn)確預(yù)測(cè)*C₂H_n（n=2~4）在M₁/M_host SAA 上的加氫勢(shì)壘（M₁ = Sc~Au除Tc、Hg和鑭系元素外，M_host = Cu、Ag和Au）。通過(guò)DFT計(jì)算建立數(shù)據(jù)庫(kù)，作者系統(tǒng)研究了乙炔在20個(gè)M₁/M_host SAA和3種純主體金屬上的加氫機(jī)理，共獲得69個(gè)加氫勢(shì)壘數(shù)據(jù)點(diǎn)。

此外，作者訓(xùn)練了5種不同的監(jiān)督ML算法，即線性回歸（LR），嶺回歸（RR），貝葉斯嶺回歸（BRR），K近鄰回歸（KNR）和梯度提升回歸（GBR）。同時(shí)，使用均方根誤差（RMSE）和決定系數(shù)（R²）來(lái)評(píng)估ML模型的性能，R²越大、RMSE越小，說(shuō)明模型越好。

圖1. ML輔助催化性能預(yù)測(cè)示意圖

ML模型的結(jié)果表明，GBR模型以高精度（RMSE = 0.02 eV和R² = 0.99）表現(xiàn)最佳，這與DFT計(jì)算的結(jié)果非常吻合（誤差低于0.07 eV）。最后，作者預(yù)測(cè)了*C₂H_n（n=2~4）的210個(gè)加氫勢(shì)壘，并從總共70種SAA中篩選出5種候選 SAA催化劑（Pd₁Cu、Pt₁Cu、Cr₁Ag、Mn₁Ag 和V₁Au SAA），這些催化劑對(duì)乙炔半加氫具有潛在的高活性和選擇性。

此外，ML對(duì)*C₂H_n加氫能壘的預(yù)測(cè)比傳統(tǒng)的 DFT計(jì)算快約3.13倍。這種ML輔助方法顯著降低了計(jì)算成本，有效克服了傳統(tǒng)DFT計(jì)算在眾多候選者中發(fā)現(xiàn)高性能催化劑的高成本和低效率問(wèn)題?？傊@項(xiàng)工作證明了ML輔助方法在預(yù)測(cè)過(guò)渡態(tài)能壘方面的潛力，同時(shí)為合理設(shè)計(jì)高效催化劑提供了一種簡(jiǎn)便的方法。

圖2. ML模型篩選潛在的候選催化劑

Machine-Learning-Assisted Catalytic Performance Predictions of Single-Atom Alloys for Acetylene Semihydrogenation, ACS Applied Materials & Interfaces 2022. DOI: 10.1021/acsami.2c02317