AEM：高熵合金组成空间中最大催化活性的路径研究

一、导读

人类面临着能源需求不断增加，但产生的温室气体也加速了全球变暖的问题。能源有效的转换和储存是化石能源过渡到可再生能源的重要方略。其中一种将可再生能源转化为化学燃料的方法是使用氢燃料电池，即氧和氢通过氧还原反应(ORR)产生能量。ORR的动力学缓慢，必须引入催化剂进行加速，但最常用的铂催化剂稀有而昂贵。因此，寻找一种更便宜、更高效的ORR催化剂至关重要。

高熵合金(HEAs) 在连续的组成空间内存在着无限种组合，每种材料都会给出许多不同的吸附位点，所以开发HEAs作为催化剂显示出了巨大的应用潜力，提高HEAs的催化活性也成为新兴的重要课题。

二、成果掠影

近期，哥本哈根大学Jan Rossmeisl教授团队认为可能存在一条使ORR催化剂活性最高的组合物共同主线，文中称为“山脊线”。研究者只需要将HEAs空间组成的轻微变化看作生物突变，沿着脊线寻找最佳催化剂看作生物适应环境变化，这样沿着脊线的渐进改变会使得催化剂对实际应用条件适应度增加，进而找到最佳催化剂。

本文以Ag-Ir-Pd-Pt-Ru HEAs为模型证明了ORR反应活性的局部最优值与“山脊线”相连，即催化活性的最大值可以通过“山脊线”寻找，并由此提出了一种寻找催化剂的新策略。在一个组成空间中已经最优的催化剂在另一个组成空间中可以进一步优化。结合机器学习与改进过的微动弹性带（NEB）算法的模拟结果，提出边缘元素的替代是进一步优化已经足够活跃的催化剂的一种新策略。

相关研究工作以“Following Paths of Maximum Catalytic Activity in the Composition Space of High-Entropy Alloys”为题发表在国际顶级期刊Advanced Energy Materials上。

三、核心创新点

1.提出了“山脊线”寻找催化剂的新策略和替代边缘元素来寻找催化剂的新策略，并证明了该策略的有效性。

2.改进了寻找催化剂过程中使用的NEB算法，相比于经典NBE算法，保证准确性的同时减少了计算量。

四、数据概览

图1 三元子空间中，从Ir₄₅Pd₅₅开始替换元素。© 2022 The Authors

图2 使用GPR模型在统一5 at%网格上训练的经典NEB算法a)和在269个样本后收敛的ML NEB算法b)的Ag和Ir间收敛NEB路径的活性高度分布。© 2022 The Authors

图3 ML NEB与经典NEB的比较。© 2022 The Authors

图4 Ir-Pd-Pt组合空间中始于Ir₅₀Pt₅₀的DE模拟。© 2022 The Authors

图5 Ag-Ir-Pd-Pt-Ru从5 at%的所有组成的网格中找到的帕累托最优。© 2022 The Authors

五、成果启示

利用探波雷达(GPR)对组合空间进行建模，并对NEB算法进行了改进，得到了组合空间中催化活性沿脊线分布的路径。利用山脊检测算法对GPR函数进行预测，证明了催化剂活性极大值确实与脊线相连。在此基础上，改进了NBE算法（ML NEB）。与经典NEB算法相比，ML NEB算法在减少了计算量的同时，可以准确预测最大催化活性的路径。在更高的维度中，ML NEB不够适用，但本文提出了一种可能的新策略，即沿着催化活性脊线到组成空间的边缘，然后用一种元素替换另一种元素，并对三元组成进行了模拟。通过引入更多的适应度参数，最终可以找到帕累托的有效组合。本文介绍的方法会为人们寻找和设计新的催化剂时提供新的思维方式。

原文详情：https://onlinelibrary.wiley.com/doi/10.1002/aenm.202202962

本文由张熙熙供稿。