赵仕俊&康雄武重磅Joule：可解释深度图神经网络设计高熵电催化剂

【做计算找华算】理论计算助攻顶刊，10000+成功案例，全职海归技术团队、正版商业软件版权！

经费预存选华算，高至15%预存增值！

招生：

论文通讯作者赵仕俊团队长期招收计算材料和机器学习方向的博士生，欢迎优秀学生联系 shzhao@cityu.edu.hk。点此了解赵老师：

https://scholars.cityu.edu.hk/en/persons/shijun-zhao(b956b94f-a138-4df9-880b-f82528cb3ecb).html#opennewwindow

导读

电催化在缓解能源危机与减少环境污染方面扮演者重要角色。传统电催化剂如IrO₂, RuO₂, 和Pt被成功运用于提升燃料电池的反应速率。然而，因为受到线性关系的约束及高昂的成本，这些催化剂的大规模应用受到了限制。

高熵合金由五种及其以上的金属元素组成，高熵合金为电催化反应设计提供了一个新的平台。与有序的金属与合金不同，高熵合金因为由独特的化学无序性和局域环境的畸变使其有可能打破线性关系的约束。

高熵合金同时提供了广阔的组分优化的空间和出色的动态稳定性。一些先进的合成方法也成功地被应用于合成高熵合金纳米团簇，甚至包含了传统上被认为不互溶的组分。

由于高熵合金组分空间巨大且表面位点多，设计及优化高熵催化剂的组成和位点面临巨大的挑战。例如，为了获得吸附质在某一组分表面的吸附性质，研究者需要进行大量的计算，以获取可靠的吸附能分布。对与新的组分则需要新的计算。因此，用计算模拟的方法来理性合计高熵催化剂要面临高昂的计算成本。

近日，香港城市大学赵仕俊团队（主要通讯作者）与华南理工大学康雄武团队合作开发并验证了一种基于注意力机制的深度图神经网络。首先作者准备了包含80万帧结构的数据集。然后训练了高精度原子图注意力神经网络（AGAT）。

而后，用训练好的模型和DFT电子结构分析发现d带中心理论和线性关系在高熵催化剂的表面是成立的。为了使AGAT模型可以探索整个组分空间，作者进一步准备了非等主元的数据集，该数据集大小远小于等主元数据集。

基于高通量预测结果，两个非等主元组分（Ni_0.13Co_0.13Fe_0.13Pd_0.10Pt_0.50和Ni_0.10Co_0.10Fe_0.10Pd_0.30Pt_0.40）被推荐为高活性高熵催化剂。实验成功制备了Ni_0.20Co_0.20Fe_0.20Pd_0.20Pt_0.20和AGAT推荐的高活性催化剂，并表明推荐的两个非等摩尔比样品活性高于Pt/C活性，进一步验证了模型的可靠性。

论文进一步揭示了高熵催化剂绕过线性关系约束的机制。相关研究成果以“Design high-entropy electrocatalyst via interpretable deep graph attention learning”为题发表在Joule。

论文链接：

https://doi.org/10.1016/j.joule.2023.06.003