《Advanced Science》：High-Throughput Screening and Interpretable Machine Learning for Rational Design of Bimetallic Catalysts for Methane Activation
编辑推荐：
这篇研究论文提出了一种结合高通量密度泛函理论（DFT）与可解释机器学习（ML）的综合框架，用于加速甲烷（CH4）活化催化剂的理性设计。文章通过系统筛选面心立方（FCC）结构双金属催化剂，揭示了前两个C─H键断裂能（EC─H1, EC─H2）与甲基吸附能（Ef_CH3）是控制速率控制步骤（RDS）转移的关键描述符。研究利用粒子群优化（PSO）算法与可解释性（SHAP）分析，构建了高性能预测模型，发现了性能优于传统钯（Pd）基催化剂的铱铂（IrPt）合金，为设计高效多组分催化剂提供了一套可解释的数据驱动方法。
引言：甲烷减排的催化挑战与机遇
甲烷（CH4）是天然气的主要成分，也是一种强效温室气体，其百年全球变暖潜能值（GWP）约为二氧化碳的28倍。随着全球天然气车队的不断增长，交通运输领域的碳排放已成为国家气候承诺的关键指标。因此，开发能够高效消除天然气发动机尾气中甲烷的催化剂，对于实现碳中和目标至关重要。由两种过渡金属（TMs）组成的双金属合金因其广阔的组成空间和高的本征活性，被视为最有前景的甲烷活化催化剂之一。传统观点认为，甲烷的初始解离吸附是反应的速率控制步骤。然而，近年来研究表明，在特定条件下，特别是在具有交替金属原子排列的等摩尔合金表面上，速率控制步骤可能会从第一个C─H键的断裂显著转移到表面甲基中间体的脱氢步骤。因此，理解和优化前两个C─H键的活化过程，成为筛选高性能催化剂的关键。
元素依赖的C─H键断裂能量学趋势
研究选取了八种面心立方结构过渡金属——镍（Ni）、铜（Cu）、铑（Rh）、钯（Pd）、银（Ag）、铱（Ir）、铂（Pt）、金（Au）作为基体元素，并分别掺入13种常见金属作为掺杂元素，合成了104种均匀分布的1:1化学计量比催化剂。计算发现，第一个C─H键断裂能（EC─H1）在所有体系中分布在-0.15至0.98电子伏特（eV）之间。其中，Pt、Rh和Ir基体表现出较低的EC─H1平均值。值得注意的是，钴（Co）作为掺杂元素对甲烷活化表现出特别显著的促进作用。第二个C─H键断裂能（EC─H2）的分布模式与第一个明显不同，Ir基体表现出最低的平均EC─H2值。研究还发现，当Cu、Zn、Ag、Au作为掺杂元素时，两个C─H键断裂的平均能量值均为正，表明它们不利于甲烷的深度氧化。这些结果表明，特定元素对C─H键断裂能的影响并非一成不变，而是高度依赖于基体和掺杂剂的组合效应。C─H1 and EC─H2) for the first two C─H bonds on M1M2catalysts.">
速率控制步骤转移与催化剂活性筛选
通过计算前两个C─H键断裂的活化能，研究发现第二个C─H键断裂过程与经典的布伦斯特-埃文斯-波拉尼线性关系存在一定偏差，这表明仅靠反应能来描述双金属表面的连续C─H键断裂动力学是不充分的。进一步分析发现，甲基分子的吸附能与两个活化能的“和”与“差”密切相关。当催化剂位于参考线上方时，第一个C─H键断裂的能垒更高，是速率控制步骤；反之，位于下方时，第二个C─H键断裂是速率控制步骤。这一系统分布表明，速率控制步骤在第一个和第二个C─H键断裂之间发生了转移。根据Sabatier原理，甲基吸附能必须既不太强也不太弱。数据显示，只有甲基吸附能处于适中范围（约0.13-0.43 eV）的合金催化剂，才能同时显著抑制第一个和第二个C─H键断裂的活化能垒。因此，Ef_CH3被确立为预测双金属甲烷氧化催化剂活性的第三个关键描述符。
基于以上认识，研究选取EC─H1、EC─H2和Ef_CH3作为描述符，并以常用的商业催化剂PdPd为基准进行比较。在一个三维散点图中，展示了104种候选催化剂在三个描述符空间中的分布。结果发现，IrPt合金表现出最低的EC─H1和EC─H2值。进一步的活化能验证显示，IrPt上连续C─H键断裂的活化能也显著低于PdPd基准，从而验证了这三个组合描述符作为高效甲烷氧化催化剂初步筛选可靠指标的潜力。
IrPt合金上甲烷氧化的反应路径
在IrPt合金上，甲烷的第一个C─H键在一个Ir活性位点上发生断裂，生成的CH3*吸附在同一Ir原子上。随后，CH3*进一步脱氢，生成的CH2*会迁移到一个由原始Ir原子、邻近的Ir原子和最近的Pt掺杂剂组成的三原子空心位点。Bader电荷分析显示了Ir和Pt之间的电荷重分布，这改变了活性空心位点的d带特性。这种电子调控，加上优化的Ir-Ir-Pt位点的几何结构，稳定了CH2*中间体，有效降低了后续过渡态的能量，从而验证了IrPt在甲烷完全氧化方面的卓越能力。
可解释的自主优化模型探索
为了克服传统催化剂开发中试错法成本高、周期长的瓶颈，研究提出了一个结合粒子群优化算法的回归框架。通过系统构建和比较四种机器学习算法发现，集成了粒子群优化的极限梯度提升（PSO-XGBoost）模型在预测准确性上优于其他模型。通过SHAP可解释性分析，可以定量揭示每个输入特征对预测C─H键能的贡献。分析结果表明，掺杂元素的d带填充度是影响EC─H1和EC─H2预测的最重要的共同描述符。此外，表面掺杂剂的Bader电荷等其他关键描述符也起着重要作用。SHAP分析揭示了合金原子的电子结构特征，特别是掺杂剂的d带填充和Bader电荷，对整体活性具有决定性影响。
结论与展望
本研究利用高通量密度泛函理论计算，系统研究了1:1掺杂的面心立方合金催化剂，重新审视了双金属表面甲烷氧化的速率控制步骤机制。以前两个C─H键活化反应能为主要描述符，甲基吸附能为辅助描述符，从104个候选催化剂中筛选出高性能的IrPt催化剂。研究表明，在1:1合金表面，甲烷转化的关键基元步骤无法用传统的线性关系来合理化。通过将基于SHAP的可解释机器学习技术与粒子群优化算法相结合，在有限数据集条件下实现了对催化描述符的精确预测，并揭示了合金原子的电子结构特征是决定速率控制步骤何时变化的关键因素。尽管本研究主要关注本征活性筛选，但所建立的框架具有高度可扩展性。未来的研究可以纳入与失活相关的描述符，例如碳扩散势垒和金属表面结合能，以开发用于预测实际操作条件下催化剂稳定性的高保真模型。通过将系统性密度泛函理论筛选与可解释机器学习相结合，本研究为天然气发动机后处理中的高效双原子合金催化剂提供了理性设计原则，并为该领域的未来发展奠定了基础。
