全文速览
本文通过可解释的机器学习和第一性原理计算，揭示了金属催化剂的结构敏感性。研究者们发现了一个结构描述符——拓扑欠配位数（TUCN），它通过价电子数和晶格常数来介导，成功地解决了金属催化剂的结构敏感性问题。该数据库涵盖了20种不同化学键在10种过渡金属、两种金属晶体学相和17种不同晶面上的键断裂障碍。研究结果表明，由结构项和反应能量项组成的二维描述符能够准确预测反应障碍，并且具有很好的泛化能力。
背景介绍
催化剂在化学过程中起着关键作用，它们能够合成重要材料并将原始资源转化为增值产品。在寻求可持续和环保的化学转化过程中，开发能够选择性激活目标分子的高效催化剂至关重要。支持的过渡金属（TMs）因其在几何结构、组成、尺寸和金属-支持相互作用等方面的可调性而被广泛用于提高催化活性和选择性。然而，识别催化反应发生的活性位点、其位点特异性活性和结构敏感性，对于合理设计高效催化剂仍然是一个巨大挑战。
图文解析
图1：金属几何和组成对CO解离的影响。图1a：展示了在不同HCP Co、FCC Ni和HCP Ru表面上，CO解离障碍Ea与反应能量ΔE的关系。尽管更放热的ΔE通常对应较低的Ea，但Ea与ΔE之间的线性关系并不明显。图1b：比较了在多种过渡金属表面上，使用不同物理参数拟合Ea的均方根误差（RMSEs）。结果显示，当涉及不同表面结构时，不同的几何效应破坏了BEP关系。图1c：Ea与表面能量γ的倒数1/γ之间的关系。发现Ea与1/γ之间存在非常好的线性关系。图1d：比较了计算得到的表面能量γ与模型γ = EC·ΔCN/a²的预测值。显示出了极佳的线性关系。图1e：Ea与a²/ΔCN之间的关系。发现Ea与a²/ΔCN之间存在良好的线性关系，这表明新描述符在区分结构效应方面更为有效。
图2：分子/自由基在金属催化剂上的键断裂障碍数据集图2：展示了用于多任务符号回归的数据集，包括10种过渡金属、17种晶面和20种键断裂反应。数据集被分为训练集、测试集和可转移性评估集。
图3：数据驱动的方程3在图表中的展示。图3a：模型预测与DFT计算之间的所有训练和测试数据的比较。图3b和3c：分别提取自图3a的CO和CHxOHy（CH2OH、CH3O、CH2O、CHOH、COH和CHO）的子集。
图4：方程3在未见物种上的可转移性。图4a-f：展示了对于NH、OH、N2、NO、CH3OH和CHxCHy的DFT计算和SISSO模型预测的活化能Ea的对比图。同时，也展示了BEP预测的RMSEs作为比较。
图5：活化障碍Ea的投影。图5a：NO解离Ea与1/ΔCN的关系。不同颜色和形状的符号代表不同的金属和晶面。图5b：NO解离Ea与ΔE的关系。图5c：比较c1·Ne·a²/ΔCN和c2·ΔE对NO解离Ea的贡献大小。图5d：比较NO、CO、N2、OH和NH的两个项的大小。颜色表示晶面，圆圈表示所有考虑的金属催化剂上的可用解离数据的集合。
总结展望
通过多任务符号回归和全面的第一性原理数据，研究者们发展了一种金属催化剂的结构敏感性理论，该理论可广泛应用于各种分子和自由基。研究发现，通过晶格常数和价电子数介导的拓扑欠配位数（TUCN）能够明确描述金属催化剂的结构敏感性。发展了一个简洁的二维描述符，包括这个结构项和能量项，以预测反应障碍。该理论不仅提供了一种分类结构敏感性的建设性策略，而且还有助于解读金属催化剂的电子和几何效应。研究结果强调了在合理设计催化剂时，数据驱动理论的透明度的重要性。
