北京大学深研院新材料学院潘锋团队运用图论结构化学和拓扑生成AI在逆向设计催化活性材料取得进展

设计具有目标吸附性能的催化活性位点的催化材料是异质催化研究中的核心科学问题，关系到能源转化效率、反应选择性与材料可控合成等关键技术的突破。尽管近年来以高通量密度泛函理论（DFT）计算和AI机器学习为基础的正向设计方法取得了重要进展，但在结构复杂、动态演化显著的催化体系中，如何实现从性能反推结构的逆向设计，仍面临结构空间庞大、模型不可解释、生成能力有限等挑战。

图论结构化学作为一种将材料微观结构映射为数学图模型的方法，近年来在材料基因组、催化活性探索等方向中表现出强大的表示能力。北京大学深圳研究生院新材料学院潘锋教授团队长期致力于图论结构化学方法的拓展与应用，并在该领域提出了一系列创新性工作，实现了材料结构表示（Sci China Chem, 2019, DOI: 10.1007/s11426-019-9502-5）、低维材料的设计（National Science Review, 2022, DOI: 10.1093/nsr/nwac028）、新型固态电解质的设计（J. Am. Chem. Soc. 2024, 146, 27, 18535—18543）、催化反应路径搜索（CCS Chemistry 2024, 7, 1—14 DOI:10.31635/ccschem.024.202404955）、催化活性相搜索（Nat Commun 16, 2542 (2025). DOI:10.1038/s41467-025-57824-4）。近日，潘锋团队联合丘成桐先生创建的北京数学科学与应用研究院李京艳助理研究员、厦门大学郑世胜特任副研究员等，在图论结构化学的基础上进一步融合代数拓扑数据分析与深度生成AI建模方法，提出了一种具有物理可解释性的催化活性位点逆向设计框架。相关研究成果以题为“Inverse design of catalytic active sites via interpretable topology-based deep generative models”的论文，发表于国际著名的Nature旗下子刊npj Computational Materials（2025, 11:147）。

催化活性位点逆向设计的PGH-VAEs框架及建模流程

GLMY同调（persistent GLMY homology, PGH）由国际著名数学家丘成桐团队提出，是一种能够处理非对称、有向图结构的代数拓扑方法，特别适用于复杂结构体系的几何-拓扑建模。复杂的催化活性位点逆向设计框架是基于图论结构化学对原子级结构的抽象建模，以持续GLMY同调为核心拓扑工具，从几何结构中提取拓扑不变量，刻画活性位点的三维连通性与空穴等关键结构信息。团队以IrPdPtRhRu高熵合金为对象，构建了融合PGH拓扑指纹与元素配体信息的双通道结构表示方法，分别编码原子配位与远场调控效应，结合变分自编码器（VAE）构建了结构-性能相关联的生成模型。在训练数据有限的条件下（仅约1100条DFT样本），通过引入半监督学习机制和梯度提升回归器（GBRT），模型实现了对*OH吸附能的高精度预测，平均绝对误差为0.045eV。

该研究还揭示了PGH拓扑特征（Betti数）与吸附性能之间存在的显著线性相关性，尤其是原子连通性（0维）与结构空穴（2维）对性能调控最为关键。这一发现不仅赋予数字潜空间以物理解释，还提升了结构采样的针对性。在结构生成过程中，模型成功识别出以Pt/Pd为桥位、Ru为远场调控原子的最优构型，并进一步预测了（111）和（211）晶面下的最优组分比例（分别为0.7:0.2:0.1与3:3:4），为催化剂合成实验提供了定量指导。

PGH拓扑特征与吸附性能的相关性分析与代表性生成结构示意图

该研究展示了图论结构化学+代数拓扑+深度生成AI模型三者协同研究的潜力，为异质催化领域提供了一种面向结构-性能建模与从性能到结构逆向设计的新范式。因此，该框架不仅适用于高熵合金催化剂，也可扩展至电还原、氧化反应等其他催化体系的结构建模与活性探索。

潘锋、李京艳与郑世胜为本研究的共同通讯作者，北京大学深圳研究生院新材料学院博士研究生王炳胥为第一作者。该工作得到了国家自然科学基金、电动汽车动力电池与材料国际联合研究中心、广东省新能源材料设计与计算重点实验室、深圳市新能源材料基因组制备和检测重点实验室的支持。