廈大汪騁&周達 JACS：利用機器學習發現和優化Cu催化劑添加劑，助力高效CO2還原

【背景介紹】

催化劑對于幾種化學轉化是必不可少的。但是由于催化過程的復雜，尋找用于目標反應的新催化劑仍然具有挑戰性。機器學習（Machine Learning, ML）是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。因此，機器學習（ML）有可能通過有效的數據分析來加速催化劑的開發。最近，機器學習已與硅化學材料篩選中的量子化學計算結合在一起。然而，使用ML分析實驗數據來發現新催化劑的實例仍然很有限。眾所周知，Cu催化劑催化的CO₂RR，可獲得一氧化碳（CO）、甲酸（HCOOH）、甲烷（CH₄）、甲醇（CH₃OH）、乙烯（C₂H₄）、乙烷（C₂H₆）、乙醇（C₂H₅OH）、丙醇（C₃H₇OH）等一系列產品。其中，Cu催化劑形態和表面結構的細微變化導致CO₂RR選擇性的顯著變化，可能是在催化劑制備中加入添加劑進行微調，而目前尚缺乏明確的結構-性能關系。

【成果簡介】

近日，廈門大學汪騁教授和周達副教授（共同通訊作者）等人報道了在制備用于電化學CO₂還原（CO₂RR）的銅（Cu）催化劑過程中，利用ML發現和優化添加劑的過程。該過程包括三個迭代循環：“實驗測試—ML分析—預測和重新設計”。其中，用于CO₂RR的Cu催化劑可得到包括C₁（CO、HCOOH、CH₄、CH₃OH）和C₂₊（C₂H₄、C₂H₆、C₂H₅OH、C₃H₇OH）等一系列產物。作者以銅鹽為原料，利用電化學沉積法制備銅催化劑，并且加入不同的金屬鹽和有機分子作為添加劑。經過三次反復的實驗測試、ML分析、預測和重新設計，確定了錫（Sn）鹽是獲得CO和HCOOH的重要添加劑，脂肪醇是促進C₂₊生成的重要添加劑。通過對不同添加劑制備催化劑的進一步表征表明，脂肪醇可能在電沉積過程中促進Cu2O立方體的形成。在實驗條件下，Cu₂O立方體被還原為金屬Cu，對C₂₊產物具有高選擇性，與文獻報道的氧化物衍生銅（OD-Cu）的性能一致。經過數次ML循環后，作者獲得了對CO、HCOOH和C₂₊產物具有選擇性的催化劑。該催化劑發現過程凸顯了ML通過從有限數量的實驗數據中有效提取信息來加速材料開發的潛力。研究成果以題為“Machine-Learning-Guided Discovery and Optimization of Additives in Preparing Cu Catalysts for CO₂ Reduction”發布在國際著名期刊JACS上。

【圖文解讀】

圖一、初始數據收集
（a）通過電化學沉積制備Cu電催化劑，然后評價催化性能；

（b）基于“實驗測試—ML分析—預測和重新設計”三個迭代循環的加速發現學習循環，以指導尋找高性能的CO₂RR催化劑。

圖二、第一輪機器學習
（a-b）FE-CO和FE-C₂₊在第一輪機器學習中通過boost決策樹回歸分析獲得的特征重要性；

（c-d）在第二輪機器學習之后選擇的高性能催化劑，以及c中催化劑的相應添加劑。

圖三、第二輪機器學習
（a）將分子結構轉換為MFF表示形式；

（b）第三輪機器學習，使用隨機交集樹（RIT）提取基于交互的特征組合；

（c）根據RIT的結果設計新的分子添加劑。

圖四、Sn摻雜和pH值對催化劑性能的影響
（a）FE-HCOOH/FE-CO使用GBDTR作為Sn/Cu數據集的功能重要性；

（b）當局部pH增加時，相同的催化劑表現出較高的FE-HCOOH/FE-CO比例。

圖五、第三輪機器學習
（a）在第三輪學習中預測設計催化劑的FE-C₂₊以及相應的SYBA分數；

（b）相應預測催化劑的實驗FE-C₂₊（在a部分中圈出）。

圖六、搜尋添加劑的功能
（a）FE-CO₂RR、FE-H₂和樣品的XRD相位之間的關系；

（b）FE-C₂₊與樣品形態之間的關系；

（c）沒有Cu₂O立方體的樣品167的SEM圖像；

（d）具有Cu₂O立方體的樣品170的SEM圖像。

【小結】

綜上所述，作者通過機器學習（ML）加速了電沉積添加劑的發現，以制備用于CO₂RR的Cu催化劑。作者發現以脂肪族OH基為添加劑的分子可以通過控制催化劑前體中Cu₂O立方體的形成來提高法拉第效率（FE），以生成C₂₊產物。在Sn/Cu雙金屬體系中，Cu₂O相在CO₂RR中生成CO/HCOOH也很重要。目前，ML輔助催化劑的開發還受到大量實驗數據的限制。高通量篩選方法可以與ML策略相結合，為催化劑的發現開辟新的視野。

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

通訊作者簡介

汪騁，廈門大學化學化工學院教授。2009年畢業于北京大學化學與分子工程學院，2013年在美國北卡羅萊那大學教堂山分校獲得博士學位。2013-2015年在芝加哥大學開展博士后研究。2015-至今廈門大學教授，入選國家高層次人才計劃青年項目，閩江特聘教授。主要研究方向是金屬有機單層(Metal-Organic Layer=MOL)及人工光合作用。在包括Nat. Chem.、Nat. Catal.的雜志上發表論文80余篇，他引8000余次。汪騁教授曾獲美國化學會無機化學青年化學家獎（2013）、廈門市杰出青年（2019）、廈門大學薩本棟獎教金（2020）、中國化學會青年化學獎(2020)等多項獎勵。

周達，廈門大學數學科學學院副教授。2011年于北京大學數學科學學院取得概率統計專業博士學位；2011-13年在清華信息國家實驗室從事博士后研究工作。2018-19年在德國馬克思普朗克促進會進化生物學研究所訪問。長期關注數學、統計學與腫瘤生物學、合成化學等領域的交叉研究，在包括Matter（Cell子刊）, JACS，PLOS Computational Biology，Journal of Theoretical Biology, Physical Review E，Mathematical Biosciences等學術刊物發表論文30篇。主持國家自然科學基金兩項，福建省自然科學基金一項。目前兼任廈門大學概率統計系主任、中國工業與應用數學會數學生命科學專委會理事、北京計算機學會理事、福建省生物數學會理事；Nature Communications, Physical Review Letters，PLOS Computational Biology等刊物審稿人。

汪騁和周達團隊長期在化學與機器學習的交叉領域開展合作研究，組建了“人工智能+分子工程”研究方向，并共同指導攻讀該方向的研究生。汪騁-周達團隊曾利用機器學習方法，優化數據的收集和分析過程，研究金屬有機框架材料的合成，提高材料合成的設計水平和效率，取得了突破，以“Machine-Learning-Guided Morphology Engineering of Nanoscale Metal-Organic Frameworks”為題在Matter雜志發表研究論文(Matter, 2020, 2(6): 1651-1666).

本文由CQR編譯。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱：tougao@cailiaoren.com.

投稿以及內容合作可加編輯微信：cailiaokefu.