催化化学反应过程中表面结构和分子在反应条件下千变万化，如何准确地追踪反应过程中的结构演变对反应的优化和准确操控至关重要。然而，化学反应本身的多维复杂性使得反应过程的监测和识别十分困难。即使对于看似简单的C–C耦合过程，表面的化学形态和结构也会历经多种构型，这为准确描述结构的变化和能量的波动带来了巨大挑战。这种信息获取的局限性阻碍了对化学演变动态过程的全面理解和构效关系的进一步解析。因此，亟需一种简单而高效的识别和监测化学反应过程中形态和结构的策略。
近日，中国科学技术大学江俊教授和安徽大学叶盛教授、杨丽副教授、孙长银教授合作，利用机器学习结合红外光谱描述符，成功实现了催化反应过程中动态结构演化的准确监测和识别（图1）。作者以C–C耦合催化反应为例，通过机器学习模型，准确解读了光谱信号与结构构象和能量变化的相互关系。将这一模型进一步迁移到多种金属表面上的CO–CO二聚反应中，可以实现反应过程中关键中间体的构型信息和能量变化的准确识别。所预测的C–C耦合能垒变化与文献一致，进一步表明了该机器学习模型的可靠性。该方案融合了红外光谱、量化计算和机器学习的多重优势，为追踪复杂化学反应过程的结构演变提供了一种简单有效的途径。
图1. 基于光谱描述符的机器学习监测C–C耦合反应过程
基于金属铜在CO2还原反应过程中的优异性能，作者选取了经典的铜表面作为代表，研究了机器学习光谱对C–C耦合的监测过程（图2）。结果显示，机器学习预测的能量差异与量化计算值高度一致，表明该模型在追踪C–C耦合过程中的能量变化上的有效性。进一步地，该模型可以准确预测吸附分子及表面活性原子的关键结构特征（包括键长、键角和二面角），表明该模型能够成功再现C–C耦合过程中的结构特征。
图2. 机器学习预测C–C耦合演变过程中结构和能量信息
为了进一步验证模型的迁移性，研究人员将其运用于探测CO–CO分子的动态结合过程。以五个连续态作为代表结构，分别表示两个CO分子在金属表面上的各种结合和分离吸附构型，机器学习可以很好地重现CO分子及其周围活性位点的原子位置和排布，结果与量化计算高度一致。综合机器学习对空间结构和能量特性的准确预测，说明这一方案对监测动态C–C耦合过程的有效性。
图3. C–C耦合过程监测
在C–C耦合过程中，CO–CO的二聚是其重要反应过程，因此，作者进一步研究了该模型对CO–CO二聚反应的适用性。利用Cu表面的过渡态搜索产生了沿着反应路径上的多种可能构型，并基于相应的光谱数据预测得到关键中间体的结构和能量信息，结果与量化计算高度一致（图4）。能量分析中发现，最大能量差恰好落在过渡态和初态上，这与二聚反应的能垒相吻合。同时，考虑到实际反应过程中可能会同时存在多种构型，从而导致光谱的混合，作者还对混合光谱进行解码，准确预测了每种可能构型的分布比例。通过对能垒和关键构型的准确预测，实现了CO–CO二聚反应路径的有效追踪。
图4. 金属Cu表面CO–CO二聚反应路径分析
随后，作者通过对Cu表面进行多种金属和位点的掺杂，引入了45种不同的金属表面，探讨了该模型的泛化迁移能力（图5）。以Ag–Ru共掺铜（Ag–Ru–Cu）表面为例，该模型能够准确识别关键构型的能垒和结构信息，构型比例分布也与量化计算结果吻合。其中，相比于纯铜表面，Ag的掺杂降低了耦合能垒，而Ru和Au等过渡金属共掺进一步降低能垒的趋势也与文献报道的结果一致，进一步验证了机器学习模型强大的迁移能力和对反应过程预测的可靠性。
总结与展望
在这项研究中，作者提出了一种机器学习策略，基于红外光谱描述符监测反应过程中表面结构的化学演变。以C–C耦合催化反应为例，展示了该方案对金属表面C–C耦合过程的形态结构变化和能量波动的准确预测。进一步的迁移学习展现了在多种金属表面CO–CO二聚反应关键中间体构型信息和能垒的准确识别，实现了反应路径的可靠追踪。光谱特征在计算和实验中的同时可获得性，桥接了理论预测与实验表征。考虑到实验光谱的相对稀缺，作者先利用较低成本的理论数据构建了基本的机器学习框架并通过迁移学习，展示了在多种金属表面上的良好迁移能力。该研究为基于光谱的机器学习技术监测多种化学反应过程动态演变,揭示催化反应过程提供了新的思路和途径。
了解详情，请阅读原文
[点击下方链接或阅读原文] ▼
Yang et al. Monitoring C–C coupling in catalytic reactions via machine-learned infrared spectroscopy. National Science Review, 2025, 12: nwae389,
https://doi.org/10.1093/nsr/nwae389
