机器学习有助于高效催化剂的设计

近日，中国科学院大连化学物理研究所研究员肖建平团队、研究员焦峰团队、研究员潘秀莲团队在催化剂理性设计研究方面取得新进展。通过对机器学习和反应图的分析，合作团队揭示了氧化物-分子筛(OXZEO?)双功能催化剂直接转换合成气体的催化机制，为高效催化剂的设计提供了新的理论依据。在德国应用化学中发表了相关成果，并被选为VIP文章。

OXZEO?催化剂可以实现合成气体的直接高选择性制备烯烃，但如何进一步提高金属氧化物的催化性能是该领域长期存在的问题。对于复杂反应网络的催化过程，仍然缺乏提高氧化物活性的理性设计策略。

在这项工作中，肖建平团队选择了CO*和O*的吸附作为描述符，通过对反应图进行分析，预测了7个催化剂系统的活性趋势。随后，潘秀莲和焦峰团队通过实验验证了趋势和理论模型的稳定性。在此基础上，肖建平团队通过机器学习进一步加快了新催化剂的选择。最后，理论预测，混合Bi和Sb的ZnCrOx具有更高的催化性，并得到了实验的证实。

通过对理论和实验研究的迭代优化，这项工作为理性设计复杂反应网络和串联催化过程提供了新的思路。