基于第一性原理计算指导的多任务Transformer模型筛选双原子催化剂用于C-H键活化

《iScience》：First-principles calculations steered multi-task transformer model to screen dual-atom catalysts for C-H activation

本研究针对轻质烷烃C-H键活化难题，开发了优化多任务Transformer模型，通过整合第一性原理计算与机器学习，成功预测了200余种氮掺杂石墨烯基双原子催化剂（DACs）的吸附能和活化能垒。模型在小型数据集上表现出色（R2>0.85），揭示金属-氮距离（dM-N）为关键描述符，为高效筛选DACs提供了新范式，推进了低碳烷烃转化催化剂的设计原则。

　　

在能源化工领域，甲烷、乙烷、丙烷等轻质烷烃作为天然气和原油的主要成分，因其C-H键的高稳定性（如甲烷键解离能高达439 kJ/mol）而难以活化，被称为催化领域的"圣杯"难题。传统催化剂如金属、金属氧化物等虽取得一定进展，但在效率和可持续性方面仍有较大提升空间。近年来，单原子催化剂（SACs）虽展现出高原子利用率优势，但其单一活性位点导致的 scaling relation 限制进一步优化空间。双原子催化剂（DACs）通过双金属位点的协同效应，为突破这一瓶颈提供了新思路。

为加速DACs的理性设计，沈阳师范大学能源与环境催化研究所的王柏然、徐伟航、孙晓影等研究团队在《iScience》发表研究，将第一性原理计算与机器学习相结合，构建了针对小型数据集优化的多任务Transformer模型。研究团队通过密度泛函理论（DFT）计算了第四/第五周期过渡金属组合的220余种DACs的吸附性能和C-H键活化能垒，验证了Bronsted-Evans-Polanyi（BEP）关系在DACs体系中的适用性。在机器学习模块中，创新性地引入附加解码层和注意力头优化Transformer架构，实现了吸附能（E_ads）与活化能垒（E_a）的协同预测。

关键技术方法包括：采用VASP软件进行DFT计算，使用PBE泛函和DFT-D3色散校正；通过CI-NEB方法计算能垒；构建包含21个特征描述符的数据集，经Pearson相关性分析筛选关键参数；对比Transformer与多层感知器（MLP）等传统算法性能；利用梯度提升回归树（GBRT）进行特征重要性分析。

第一性原理计算

形成能计算表明DACs为放热过程（图S2）。烷烃吸附表现为弱物理吸附，甲烷、乙烷、丙烷吸附能分别集中在-0.1至-0.2 eV、-0.2至-0.3 eV、-0.3至-0.4 eV范围（图1）。C-H键活化存在桥位和单一位两种解离构型（图2A），其中桥位构型能垒更低。BEP关系验证显示活化能垒与反应能呈良好线性关系（图2B-2E），为后续机器学习数据补充提供依据。

特征工程

通过Pearson相关性分析（图3A）从21个初始特征中筛选出关键独立描述符（图3B），包括几何参数d_M1-N、d_M2-N以及金属本征属性。热力图显示d_M-N与吸附能和能垒呈负相关，缩短金属-氮距离可增强吸附并降低能垒。

机器学习模型性能

初步测试显示Transformer模型（R²≈0.70）显著优于MLP模型（R²<0.5）（图4）。优化后的Transformer通过动态验证策略和自适应输出层，在甲烷数据集上R²提升至0.85以上（图5A），对乙烷、丙烷的交叉验证同样表现优异（图5B-5D）。与传统方法（KNN、RDF、梯度提升等）相比，在小数据集预测上具有明显优势（图S4）。

关键因素分析

GBRT重要性排序（图6）确认d_M-N为最关键描述符，与Pearson分析一致。这一发现为DACs设计提供了明确指导：通过调控金属-氮配位距离可优化催化性能。

研究结论表明，优化多任务Transformer模型能够准确预测DACs对轻质烷烃的活化性能，突破传统单任务模型的局限。金属-氮距离作为关键描述符的发现，为理性设计高性能DACs提供了理论依据。该工作建立的"DFT+ML"框架（图7）为复杂催化体系的高通量筛选提供了新范式，有望加速低碳烷烃转化催化剂的开发进程。需要注意的是，研究目前仅限于氮掺杂石墨烯载体和4/5周期过渡金属，未来需拓展载体类型和金属体系以验证模型的普适性。