中国科大发表“以数据驱动实现稳定催化剂设计飞跃”的评述文章

10月24日，中国科学技术大学化学与材料科学学院、精准智能化学全国重点实验室的李微雪教授，受邀在Nature Catalysis的News & Views专栏上，发表题为“A data-driven leap towards stable catalysts”的文章，来自合肥微尺度物质科学国家研究中心的胡素磊教授为该文的第一作者(https://doi.org/10.1038/s41929-025-01428-0)。文章在对同期发表的一篇最新研究论文进行专题介绍的同时，对该领域未来的发展做出评述。

在从能源转化到环境治理的众多工业过程中，负载型金属纳米催化剂扮演着核心角色。然而，一个长期困扰工业界的“阿喀琉斯之踵”是催化剂在复杂化学反应、高温条件下的失活问题。这种失活通常源于纳米颗粒的“烧结”——即颗粒聚并长大，导致活性表面积急剧减少。因此，理性设计出具备优异抗烧结性能的催化剂，是催化科学与工程领域追求的重大目标。

解决该难题的关键之一，在于对金属纳米颗粒与氧化物载体之间相互作用 (Metal-Support Interaction, MSI)的深刻理解与精准调控。李微雪团队前期的研究工作为这一复杂问题的解决建立了一个清晰的理论，即普适的MSI“火山型”关系原理 (Science 374 (2021) 1360-1365)。 该原理揭示：MSI并非越强越好。过弱的相互作用无法有效锚定纳米颗粒，会导致其在载体表面轻易地迁移和聚并；而过强的相互作用则会改变金属的表面化学势，加速原子级的迁移与再沉积，即奥斯特瓦尔德熟化。只有当MSI强度处于“火山峰”的理想区间时，两种失活机制才能被同时抑制，从而实现催化剂的最佳热稳定性。对于高温反应、化学稳定性差、亚纳米甚至单原子催化剂等所面临的严峻挑战，研究团队进一步提出双功能载体设计原理，借此打破界面作用标度律限制，超越催化材料塔曼温度的限制。

在该理论指导下，来自美国密西根大学的S.Linic教授与B. Goldsmith教授在同期的《NatureCatalysis》上发表了一项最新的研究突破(https://doi.org/10.1038/s41929-025-01417-3)。 他们基于第一性原理神经网络势展开了大规模分子动力学模拟，完整的从理论上验证了李微雪团队提出的稳定性“火山型”理论。并在定量上首次精确证实了李微雪团队提出的最佳MSI准则：即当纳米颗粒与载体的接触角为90°时，催化剂的抗烧结性能达到最优。他们进一步将这一90°接触角作为载体筛选的核心判据，利用基于决策树的可解释机器学习模型，从载体的表面能、表面氧键序（SBOO）等内在物理特征出发，预测MSI强度。以此为基础，他们对包含超过10,000种不同表面的氧化物数据库进行了高效的高通量筛选，并锁定了一批最有潜力的候选材料。最终，通过实验合成与表征，他们成功验证了模型预测的最优体系——Pt/BaO催化剂——具备超越传统载体的高温抗烧结性能。这项工作将基础理论成功转化为具体的工程预测工具，是对李微雪团队前期工作的有力证明与应用。这种以模拟为驱动、以载体为中心的方法为发现尚未开发的催化新材料提供了一个强大的工具。

展望未来，需要实现对MSI更深层次的物理调控，需要建立能够揭示其背后物理本质的解析模型。在2024年，李微雪团队从实验数据出发，通过基于符号回归的可解释性机器学习方法和理论推导(“白箱”模型)，结合神经网络势函数驱动的分子动力学模拟( “黑盒”模型)，成功建立了一个描述MSI强度的普适性解析物理方程(Science 386 (2024) 915-920)。这样发展起来的兼具二者之长的混合“灰箱”模型，不仅同样具有精准的预测能力，更重要的是它以简洁的数学形式揭示了相互作用背后的物理规律，为从第一性原理出发进行催化剂设计提供了更为深刻的机理洞察。

一个理想的工业催化剂不仅要稳定，更要追求高活性与高选择性。这三大性能指标之间往往存在复杂且相互制约的关系，构成了催化剂设计中的“多目标优化”难题。在此，李微雪提出，可能解决方案是将“白箱”模型的机理透明度与“黑箱”模型的强大预测能力相结合，发展相应的“灰箱”催化模型，进一步与高通量的、自动化实验迭代合作，实现战略性的理实交融。这样的研究范式将使人们能够在高维催化空间中导航，理解并驾驭稳定性、活性与选择性之间的复杂关系，从而在真实的工业操作条件下，真正实现未来高效、稳定催化剂的理性设计与创造。

（化学与材料科学学院、精准智能化学全国重点实验室、科研部）