近日,中国中国科学技术大学李微雪教授结合物理启发的科大可解科学可解释机器学习算法与第一性原理计算,解决了一个多相催化研究中长期存在的运用关于催化结构敏感性难题。研究成果于近日以“Structure Sensitivity of Metal Catalysts Revealed by Interpretable Machine Learning and First-principles Calculations”为题发表于《美国化学会》期刊(J. Am. Chem. Soc.)。释机
上述方程由于明确包含了催化剂的组分、结构和反应热信息,因此活化能对组分调制的结构项(图3a)和能量项(图3b)的依靠关系可用来拆分催化剂的几何效应和电子效应。同时活化能对这两项投影的大小可用来对催化结构敏感性进行分类。如图3c所示,活化能在前者较大的投影和系数意味着该分子(比如CO, NO, N2)的活化过程是一种结构敏感的反应,而如果在后者上(比如OH,NH)则意味着该反应为结构不敏感,这一结论主要是适合于小分子。较大的分子因其空间位阻效应显著,相应的投影不能用来判断反应的结构敏感性,但相应公式的预测能力依然表现出色。