题目：Machine learning-assisted dual-atom sites design with interpretable descriptors unifying electrocatalytic reactions
文献出处：https://www.nature.com/articles/s41467-024-52519-8
通讯作者及单位：
Peng Zhang, Zhi-Jian Zhao & Jinlong Gong --Tianjin University
摘要
低成本、高效的催化剂、高通量筛选是未来可再生能源技术的关键。可解释的机器学习是一种通过提取物理意义来加速催化剂设计的强大方法，但也面临着巨大的挑战。本文描述了一种可解释的描述符模型，以统一多个电催化反应（即O2/CO2/N2还原和OER反应）的活性和选择性预测，仅利用容易获得的内在性质。这个描述符名为ARSC，成功地解耦了原子性质(A)、反应物(R)、协同(S)和协调效应(C)对双原子位置的d带形状，这是建立在有物理意义的特征工程和特征工程选择/稀疏化（PFESS）方法的基础上的。在这个描述符的驱动下可以快速找到各种产品的最佳催化剂，而不是超过50,000个密度泛函理论计算。该模型的普遍性已被大量的报道和后续实验验证，其中Co-Co/Ir-Qv3被确定为最佳的双官能氧还原和演化电催化剂。这项工作为与物理洞察力相关联的高维系统中的智能催化剂设计开辟了道路。
理论与计算方法
VASP+PBE+D3+400eV截断能+CINEB+COHP
CHE模型+vaspsol模拟溶剂化
机器学习：LASSO + ℓ0 in PFESS method were performed using the scikit-learn package，gplearn package to carry out GPSR method，SISSO
结果讨论与文献解析
图1详细描述了本研究中提出的工作流程，分为四个主要部分：
原子属性效应的原始描述符（ϕxx）：通过d带形状分析，研究者构建了一个描述符来评估双原子位点的原子属性对催化活性的影响。这涉及到对3-5d过渡金属和四种不同配位结构（Qv1、Qv2、Qv3和Qv4）的840个同核（X-X）和异核（X-Y）双原子催化剂（DACs）的建模。
反应物效应的筛选原则（ϕopt）：基于反应物的效应，研究者提出了一种筛选潜在的异核DACs的原则。
基于物理意义特征工程的机器学习描述符（ϕxy）：通过物理意义特征工程和特征选择/稀疏化算法，研究者开发了机器学习描述符来评估X和Y金属之间的协同效应。这些描述符是基于ϕxx构建的，并利用了特征选择和稀疏化算法。
最终的通用描述符模型（Φ）：结合了上述描述符，研究者提出了一个最终的通用描述符模型，该模型量化了配位效应，并与相应的实验验证相对应。这个模型被称为ARSC，它将原子属性（A）、反应物（R）、协同（S）和配位（C）效应统一起来，用于预测多种电催化反应的活性和选择性。
图2详细描绘了原子属性效应的原始描述符（ϕxx）与电催化反应活性之间的关系：a. 展示了基于3-5d过渡金属和四种不同配位结构（键合或非键合DACs）的双原子位点的DFT模型。b. 显示了不同关键中间体（如*OH、*COOH、*N2、*N2H、*H）的反应自由能（ΔG(z)）与(fd/Wd) 0.5的线性关系，揭示了d带形状对双原子位点吸附性能的影响。c. 描述了d带宽度（Wd）与金属原子半径（R）和电子层数（S）的倒数关系的线性关系，表明了原子属性对d带宽度的调控作用。d. 展示了费米能级（Ef）处的d带填充度（fd）与金属原子价电子数（n）的线性关系，说明了金属原子的电子结构对其催化性能的影响。e. 通过ϕxx描述符，展示了不同同核双原子位点（X-X）上COOH和OH的吸附自由能与ϕxx的关系，以及不同配位结构对催化活性的轻微影响。f. 阐释了d带形状如何调控双原子位点上吸附物-金属反键轨道的位置，以及ϕxx值与吸附能强弱的关系。g. 展示了金属-吸附物键的积分晶体轨道哈密顿布居（ICOHP）与ϕxx的线性关系，进一步证实了ϕxx描述符与金属-吸附物相互作用的关联性。
图3展示了多种小分子活化反应的统一性及其与原始描述符（ϕxx）之间的关系：a. 显示了不同关键中间体的能量描述符（ΔG(z)）与其最优值（ΔGopt(z)）之间的关系，表明ϕxx与多个电催化反应（如ORR、OER、CRR和NRR）的活性统一性。b. 展示了反应物的键能与ϕopt的线性关系，强调了不同反应物（如N≡N、C=O和O=O）在催化活性中的重要性，说明了金属选择对反应物激活的影响。
图4详细阐述了通过物理意义特征工程和特征选择/稀疏化（PFESS）方法开发机器学习描述符（ϕxy）来捕捉X和Y金属之间的协同效应的过程：
a. 展示了通过PFESS方法训练一维至六维描述符的流程图，说明了如何从大量的物理意义特征中筛选出能够准确描述双原子位点（X-Y sites）电催化活性的关键特征。
b. 描述了使用PFESS方法得到的描述符在不同维度下的均方根误差（RMSE），展示了模型在交叉验证中的表现，以及如何通过特征选择和稀疏化算法优化描述符的准确性和简洁性。
c-e. 通过ϕxy描述符与ΔG(*OH)、UL(CRR)和UL(NRR)之间的线性关系，展示了描述符对ORR/OER、CRR和NRR反应活性的预测能力，验证了所提出描述符的普适性和准确性。
整体而言，图4强调了PFESS方法在从复杂的物理特征中提取出简洁且具有预测能力的数学表达式方面的能力，以及这些描述符在预测不同电催化反应中双原子位点活性方面的有效性。
图5通过一系列实验结果验证了ARSC描述符在预测和解释DACs在电催化反应中的活性和稳定性方面的有效性。
