单原子合金催化剂机器学习与DFT数据库：甲烷分解中C-H键解离能垒的精准预测与高效氢能开发

本期推荐：研究者针对传统甲烷分解工艺存在高能耗、低选择性问题，通过机器学习(ML)与密度泛函理论(DFT)构建包含10,950组数据的单原子合金(SAA)催化剂数据库，预测C-H解离能垒(ΔE)，发现Fe/Co/Ni基催化剂活性最佳(MAE=0.094 eV)，为无CO2排放的制氢技术提供精准设计工具。

　　

在能源转型与碳中和的全球背景下，绿色氢能被视为破解能源与环境困局的"终极方案"。甲烷热分解制氢因其理论产物纯净（仅产生H₂和固态碳）而备受关注，但传统镍基催化剂面临活性位点不均、积碳失活等挑战。更棘手的是，现有催化数据库多聚焦热力学参数（如吸附能），而决定反应速率的动力学参数——特别是C-H键解离能垒——的系统性数据严重匮乏。单原子合金(Single-Atom Alloy, SAA)催化剂因其原子级分散的活性位点和可调控的电子结构，在甲烷活化中展现出独特优势，但传统"试错法"筛选效率低下，亟需建立理论指导下的高效设计范式。

苏州大学功能纳米与软物质研究院、山东大学前沿化学研究院的研究团队在《Scientific Data》发表突破性研究，通过融合第一性原理计算与机器学习技术，构建了目前最全面的SAA催化剂C-H解离能垒数据库。研究采用维也纳从头算模拟软件包(VASP)完成689组DFT计算，通过投影缀加波(PAW)方法和PBE泛函处理电子交换关联作用，结合Grimme's DFT-D3修正范德华力，采用爬坡弹性带(CI-NEB)方法精确捕捉过渡态。基于623组训练数据，团队开发出预测精度达r²=0.921的梯度提升决策树(GBDT)模型，最终数据库涵盖30种过渡金属组成的10,950种SAA体系能垒数据。

关键技术创新体现在三方面：首先，研究首创"元素属性-表面配位-复合描述符"三级特征工程体系，从材料项目(MP)数据库提取85维初始特征，通过皮尔逊相关系数(p<0.8)和互信息回归(MIC)筛选出核心描述符。其中掺杂金属加权表面能(doped_weighted_surface_energy)贡献超40%重要性，揭示电子得失能力对催化活性的主导作用。其次，采用超胞扩展确保表面模型厚度>5?，通过PyMatgen自动识别顶位(top)、桥位等活性位点，建立多标签分类模型（ETC+KNC组合）预测反应位点分布。最后，通过1000次交叉验证确认GBDT模型在测试集上RMSE仅0.130 eV，显著优于随机森林等15种对比算法。

数据验证展现卓越可靠性：与独立DFT测试集比对显示r²=0.881，典型体系如Ir/Ir(111)预测值1.17 eV与实验值1.21 eV高度吻合。数据库揭示三大规律：①Fe/Co/Ni基底表现出最高活性，与文献报道的d带中心调控机制一致；②顶位吸附占主导（8,638组数据），配位数CN-B3+1-top05是关键几何描述符；③Os/Ir/Ru等掺杂原子能显著降低能垒，为"单原子-基底"协同效应提供量化证据。特别值得注意的是，相比传统Cu(111)表面（ΔE=2.21 eV），优化后的Co@Ni体系预测值仅0.87 eV，降幅达60%。

这项研究实现了从"经验探索"到"数据驱动"的催化研究范式转变。公开的数据库包含三大模块：①DFT原始结构文件（Figshare存储）；②包含基底空间群、表面比例等5类基础属性(F)的CSV数据集；③85维机器学习描述符（D1-D3类）与预测结果(O)。所有数据遵循CC BY-NC-ND 4.0协议开放获取，配套的PyMatgen脚本已上传Zenodo平台。该成果不仅为甲烷无氧制氢催化剂设计建立新标准，其"DFT校准+ML扩展"的研究框架更可推广至CO₂还原、氨合成等复杂催化体系，加速清洁能源材料的数字化开发进程。

在讨论部分，研究者强调该数据库填补了催化动力学参数的空白，其预测结果与实验观测的活性趋势高度一致（如Ni(111)基底1.28 eV vs 文献值1.36 eV）。未来工作将拓展至C-C键活化、抗积碳稳定性等维度，并探索与高通量实验的闭环验证。这项由李佑永、邓伟桥团队主导的研究，通过国家重点研发计划等基金支持，彰显我国在计算催化领域的国际竞争力，为《自然》期刊提出的"氢能革命"提供了切实可行的材料解决方案。