厦大汪骋周达 JACS:利用机器学习发现和优化Cu催化剂添加剂,助力高效CO2还原

催化剂对于几种化学转化是必不可少的。但是由于催化过程的复杂，寻找用于目标反应的新催化剂仍然具有挑战性。机器学习（Machine Learning, ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。因此，机器学习（ML）有可能通过有效的数据分析来加速催化剂的开发。最近，机器学习已与硅化学材料筛选中的量子化学计算结合在一起。然而，使用ML分析实验数据来发现新催化剂的实例仍然很有限。众所周知，Cu催化剂催化的CO₂RR，可获得一氧化碳（CO）、甲酸（HCOOH）、甲烷（CH₄）、甲醇（CH₃OH）、乙烯（C₂H₄）、乙烷（C₂H₆）、乙醇（C₂H₅OH）、丙醇（C₃H₇OH）等一系列产品。其中，Cu催化剂形态和表面结构的细微变化导致CO₂RR选择性的显著变化，可能是在催化剂制备中加入添加剂进行微调，而目前尚缺乏明确的结构-性能关系。

近日，厦门大学汪骋教授和周达副教授（共同通讯作者）等人报道了在制备用于电化学CO₂还原（CO₂RR）的铜（Cu）催化剂过程中，利用ML发现和优化添加剂的过程。该过程包括三个迭代循环：“实验测试—ML分析—预测和重新设计”。其中，用于CO₂RR的Cu催化剂可得到包括C₁（CO、HCOOH、CH₄、CH₃OH）和C₂₊（C₂H₄、C₂H₆、C₂H₅OH、C₃H₇OH）等一系列产物。作者以铜盐为原料，利用电化学沉积法制备铜催化剂，并且加入不同的金属盐和有机分子作为添加剂。经过三次反复的实验测试、ML分析、预测和重新设计，确定了锡（Sn）盐是获得CO和HCOOH的重要添加剂，脂肪醇是促进C₂₊生成的重要添加剂。通过对不同添加剂制备催化剂的进一步表征表明，脂肪醇可能在电沉积过程中促进Cu₂O立方体的形成。在实验条件下，Cu₂O立方体被还原为金属Cu，对C₂₊产物具有高选择性，与文献报道的氧化物衍生铜（OD-Cu）的性能一致。经过数次ML循环后，作者获得了对CO、HCOOH和C₂₊产物具有选择性的催化剂。该催化剂发现过程凸显了ML通过从有限数量的实验数据中有效提取信息来加速材料开发的潜力。研究成果以题为“Machine-Learning-Guided Discovery and Optimization of Additives in Preparing Cu Catalysts for CO₂ Reduction”发布在国际著名期刊JACS上。

图一、初始数据收集

（a）通过电化学沉积制备Cu电催化剂，然后评价催化性能；

（b）基于“实验测试—ML分析—预测和重新设计”三个迭代循环的加速发现学习循环，以指导寻找高性能的CO₂RR催化剂。

图二、第一轮机器学习

（a-b）FE-CO和FE-C₂₊在第一轮机器学习中通过boost决策树回归分析获得的特征重要性；

（c-d）在第二轮机器学习之后选择的高性能催化剂，以及c中催化剂的相应添加剂。

图三、第二轮机器学习

a）将分子结构转换为MFF表示形式；

（b）第三轮机器学习，使用随机交集树（RIT）提取基于交互的特征组合；

（c）根据RIT的结果设计新的分子添加剂。

图四、Sn掺杂和pH值对催化剂性能的影响

（a）FE-HCOOH/FE-CO使用GBDTR作为Sn/Cu数据集的功能重要性；

（b）当局部pH增加时，相同的催化剂表现出较高的FE-HCOOH/FE-CO比例。

图五、第三轮机器学习

（a）在第三轮学习中预测设计催化剂的FE-C₂₊以及相应的SYBA分数；

（b）相应预测催化剂的实验FE-C₂₊（在a部分中圈出）。

图六、搜寻添加剂的功能

（a）FE-CO₂RR、FE-H₂和样品的XRD相位之间的关系；

（b）FE-C₂₊与样品形态之间的关系；

（c）没有Cu₂O立方体的样品167的SEM图像；

（d）具有Cu₂O立方体的样品170的SEM图像。

综上所述，作者通过机器学习（ML）加速了电沉积添加剂的发现，以制备用于CO₂RR的Cu催化剂。作者发现以脂肪族OH基为添加剂的分子可以通过控制催化剂前体中Cu₂O立方体的形成来提高法拉第效率（FE），以生成C₂₊产物。在Sn/Cu双金属体系中，Cu₂O相在CO₂RR中生成CO/HCOOH也很重要。目前，ML辅助催化剂的开发还受到大量实验数据的限制。高通量筛选方法可以与ML策略相结合，为催化剂的发现开辟新的视野。

文献链接：Machine-Learning-Guided Discovery and Optimization of Additives in Preparing Cu Catalysts for CO₂ Reduction. JACS, 2021, DOI: 10.1021/jacs.1c00339.

汪骋，厦门大学化学化工学院教授。2009年毕业于北京大学化学与分子工程学院，2013年在美国北卡罗莱那大学教堂山分校获得博士学位。2013-2015年在芝加哥大学开展博士后研究。2015-至今厦门大学教授，入选国家高层次人才计划青年项目，闽江特聘教授。主要研究方向是金属有机单层(Metal-Organic Layer=MOL)及人工光合作用。在包括Nat. Chem.、Nat. Catal.的杂志上发表论文80余篇，他引8000余次。汪骋教授曾获美国化学会无机化学青年化学家奖（2013）、厦门市杰出青年（2019）、厦门大学萨本栋奖教金（2020）、中国化学会青年化学奖(2020)等多项奖励。

周达，厦门大学数学科学学院副教授。2011年于北京大学数学科学学院取得概率统计专业博士学位；2011-13年在清华信息国家实验室从事博士后研究工作。2018-19年在德国马克思普朗克促进会进化生物学研究所访问。长期数学、统计学与肿瘤生物学、合成化学等领域的交叉研究，在包括Matter（Cell子刊）, JACS，PLOS Computational Biology，Journal of Theoretical Biology, Physical Review E，Mathematical Biosciences等学术刊物发表论文30篇。主持国家自然科学基金两项，福建省自然科学基金一项。目前兼任厦门大学概率统计系主任、中国工业与应用数学会数学生命科学专委会理事、北京计算机学会理事、福建省生物数学会理事；Nature Communications, Physical Review Letters，PLOS Computational Biology等刊物审稿人。

汪骋和周达团队长期在化学与机器学习的交叉领域开展合作研究，组建了“人工智能+分子工程”研究方向，并共同指导攻读该方向的研究生。汪骋-周达团队曾利用机器学习方法，优化数据的收集和分析过程，研究金属有机框架材料的合成，提高材料合成的设计水平和效率，取得了突破，以“Machine-Learning-Guided Morphology Engineering of Nanoscale Metal-Organic Frameworks”为题在Matter杂志发表研究论文(Matter, 2020, 2(6): 1651-1666).

本文由CQR编译。