電催化是實現可持續能源轉化與減碳減排的關鍵技術。電催化反應總是在特定的環境下發生，并且和環境中的物種發生相互作用，形成工況下的活性相結構，活性相結構搜索的傳統算法存在條件依賴性，無法適應無序和動態結構的不足，這需要發展新的研究范式來實現催化活性相的探索。北京大學深圳研究生院新材料學院潘鋒教授團隊將數學的圖論/代數拓撲和結構化學相融合，通過將化學結構映射為數學模型，發展了系列材料研究方法，創新性地提出一種基于圖論的結構化學研究方法（Sci China Chem, 2019, DOI: 10.1007/s11426-019-9502-5）解決了晶體學同構判斷的難題，建立了擁有65萬晶體結構的大數據系統，并以此發展材料基因組學和AI for Science（AI4S）的研究，將其應用于低維材料的發現（National Science Review, 2022, DOI: 10.1093/nsr/nwac028）和新型固態電解質的設計（J. Am. Chem. Soc. 2024, 146, 27, 18535—18543）。該文章發展了基于圖表示、圖同構和機器學習的主動學習框架，可以實現從包含數百個中間物種催化反應網絡中快速預測最優熱力學路徑的方法（CCS Chemistry 2024, 7, 1—14）。

近日，潘鋒團隊和廈門大學李劍鋒教授、鄭世勝團隊提出了一種基于圖論結構化學、拓撲數據分析和機器學習力場的自動化多相催化活性相探索框架。該研究通過拓撲引導采樣算法結合機器學習方法，實現了對多種催化材料活性相的系統性采樣和高效計算，為多相催化反應的機理研究和材料設計提供了新的技術路徑。相關研究成果以“Active Phase Discovery in Heterogeneous Catalysis via Topology-Guided Sampling and Machine Learning”為題，發表于國際學術期刊《自然·通訊》。

在多相催化過程中，活性相的確定對于理解反應機理至關重要。然而，受環境條件影響，催化劑表面及其內部的原子結構會發生復雜演變，傳統的計算模擬方法難以高效覆蓋龐大的結構空間。針對該問題，團隊提出一種基于代數拓撲持續同調理論的采樣算法（PH-SA），它利用持序同調分析通過自下而上的方法檢測空間中可能的吸附/嵌入位點。PH-SA能夠探索表面、亞表面甚至體相與活性物種之間的相互作用，不受形態限制，因此可應用于周期性和非晶態結構。

基于持久同調的采樣算法（PH-SA）的概述和活性相探索的總體框架

本文通過兩個典型體系驗證了該框架的有效性。首先，在Pd-H體系中，該方法篩選了超過5萬種可能的氫吸附/嵌入構型，并利用機器學習力場計算了不同氫濃度下的活性相分布。研究發現，在電化學條件下，Pd（100）表面經歷了由四重空位到六重空位的重構，這一現象被認為與CO2電還原反應的催化活性增強密切相關。其次，在Pt-O體系中，該方法分析了超過10萬種Pt納米團簇的氧化構型，發現隨著氧濃度的增加，Pt55團簇內部逐漸形成Pt-O配位結構，導致其氧還原反應活性降低。這一結果與實驗觀察高度一致。

不同H濃度的PdHx體系結果分析

不同0濃度的PtOx體系結果分析

該研究表明，基于拓撲學的采樣方法可有效彌補傳統基于化學直覺的采樣策略的不足，同時結合AI機器學習力場的高效計算能力，實現大規模結構空間的自動化探索。研究團隊表示，該方法不僅適用于金屬催化劑，還可推廣至其他復雜催化體系，如CO2電還原中的CuOx相變以及SiOx在鋰離子電池中的儲能機制研究。