深度科學|：僅隔6天，機器學習再登Nat. Catal.：機器學習預測抗燒結金屬納米顆粒催化劑載體

編者語：

“9月2日，Nat. Catal.報道隨機探索打開多相催化研究（見）”

01

背景介紹

金屬納米顆粒催化劑是現代工業催化過程的核心，廣泛應用于能源生產、環境保護和化工合成等領域。然而，這些納米顆粒在高溫條件下面臨一個嚴峻挑戰——燒結現象。當溫度超過金屬的塔曼溫度（Tammann temperature，約為熔點的一半）時，納米顆粒會通過遷移和聚集逐漸長大，導致活性表面積減少和催化性能下降。

金屬-載體相互作用（MSI）是控制燒結過程的關鍵因素（圖1）。較強的MSI能夠將納米顆粒錨定在載體表面，抑制其遷移和聚集；但過強的相互作用又可能導致金屬顆粒被載體包埋或發生不利的化學變化。傳統上，研究MSI需要依賴大量的實驗試錯或昂貴的計算模擬，嚴重限制了新型抗燒結催化劑的設計開發。

圖1. 金屬-載體相互作用（MSI）

2025年9月29日，密歇根大學Goldsmith和Linic教授團隊在Nature Catalysis期刊發表題為“Predictive model for the discovery of sinter-resistant supports for metallic nanoparticle catalysts by interpretable machine learning”的研究論文。該研究將第一性原理神經網絡分子動力學(NN-MD)模擬與可解釋機器學習(iML)相結合的新方法，成功預測了Pt納米顆粒在各種金屬氧化物載體上的抗燒結性能。作者的方法揭示了燒結機理的原子尺度動力學，并確定了控制MSI的氧化物載體的關鍵特征（圖2）。作者發現載體的表面能、表面氧鍵序、表面偶極矩和功函數在Pt-氧化物相互作用中占主導地位。這項研究不僅揭示了控制MSI的關鍵物理特征，還實現了對10,000多種潛在載體材料的高通量篩選，并通過蒙特卡洛模擬驗證了一些案例。

圖2. 圖文總覽

02

圖文解析

1.通過NN-MD和DFT構建MSI數據集

采用預訓練的第一性原理神經網絡勢函數（NNP），對203種鉑納米顆粒/金屬氧化物載體體系進行了系統的NN-MD模擬。模擬在800°C（超過Pt的塔曼溫度749 °C）下進行500 ps，以加速燒結過程。研究涵蓋了一元氧化物（CeO2-x、ZrO2-x、TiO2-x、SiO2和Al2O3）和二元氧化物（如CexZryO2），考慮了不同化學計量比、常見表面晶面、表面氧空位和不同表面終止方式。金屬氧化物表面從Open Catalyst Project（OC22）和Materials Project數據庫獲取，并經過DFT幾何優化。在每個DFT弛豫的金屬氧化物表面上引入了3 nm Pt納米顆粒模型（圖3）。

研究揭示了納米顆粒燒結的兩種機制：奧斯特瓦爾德熟化（Ostwald ripening，OR）和顆粒遷移凝聚（particle migration and coalescence，PMC）。OR由表面化學勢差驅動，涉及單個原子在表面或氣相中的遷移，在強NP-載體粘附時占主導；PMC則涉及整個顆粒在載體表面的類布朗運動，導致聚結和生長，在弱粘附時成為主要機制。最佳NP穩定性通過中等粘附實現，可同時抑制OR和PMC燒結動力學。研究采用Young-Dupré方程（Eadh =γm(1+cosθ)）計算粘附能（Ead?），其中γm為Wulff構建Pt NP的加權表面能，θ為接觸角。最優燒結阻力在接觸角≈ 90°時觀察到，此時Ead?/2γm比為-0.5。接觸角偏離90°會導致不穩定性增加：角度低于90°促進OR（強粘附），角度高于90°促進PMC（弱粘附）。

通過三個典型體系的詳細驗證證實了方法的準確性：Pt NP/Ce2O3(100)-terminated（強粘附）、Pt NP/CeO2(110)（中等粘附）和Pt NP/a-TiO2(101)（弱粘附）。NN-MD模擬顯示，Pt NP/Ce2O3(100)-terminated表現出OR燒結，Pt NP/a-TiO2(101)展示PMC燒結，而Pt NP/CeO2(110)由于中等MSI保持優異的抗燒結性。這種中等MSI導致最高穩定性的預測與近期實驗發現一致，HAADF-STEM圖像證實Pt NP/CeO2(110)在水煤氣變換反應中具有高穩定性，接觸角接近90°。

圖3. Pt NP/載體通過NN-MD模擬構建MSI數據集

2. iML模型訓練、測試和解釋

采用基于樹的可解釋廣義加性模型（iGAM）開發預測Pt納米顆粒粘附能的機器學習模型。從203個Pt-載體體系數據集中，篩選了12種載體物理化學體相和表面特征作為輸入變量，包括表面能、表面氧鍵級總和、表面偶極矩和功函數等關鍵參數。iGAM模型特征間不存在相關性，并表現出優異的預測能力和泛化性能（圖4）。雖然實驗粘附能數據有限，但模型對Pt/MgO(100)體系的預測值（-1.23 J m-2）與實驗量熱法測量值（-1.51 J m-2）高度接近，驗證了模型的可靠性。

通過iGAM的特征重要性分析和what-if分析，研究揭示了影響粘附能的關鍵載體特征。特征重要性排名顯示，前四個特征（表面能、表面氧鍵級總和、表面偶極矩和功函數）共同貢獻了超過80%的重要性得分。其中表面能是最重要特征，更正值的表面能（更不穩定）增強了粘附能，這與先前理解一致。

圖4. iGAM在預測Eadh和解釋特征重要性及貢獻方面的表現

3. DFT建模揭示MSI關鍵特征的作用機制

（1）表面氧鍵級（SBOO）的火山型關系

研究發現表面氧鍵級總和（SBOO）與粘附能呈現獨特的“火山型”關系。當SBOO≈2時，表面氧原子配位接近飽和，與Pt的相互作用最弱；SBOO<2時，表面氧配位不飽和，化學活性增強，顯著強化Pt-載體相互作用；SBOO>2時，通常是氧空位存在的特征，空位處的懸掛鍵或局域電子也增強了與Pt的相互作用（圖5）。通過32種鈰氧化物表面的分析驗證了這一關系。徑向分布函數（RDF）分析顯示，SBOO降低時Pt-O鍵長縮短且配位數增加，表明相互作用增強；SBOO升高時Pt-Ce相互作用增強，反映了氧空位的影響。雖然SBOO偏離2時粘附能都增強，但機理不同：SBOO<2時主導機制是配位不飽和氧的鍵合，SBOO>2時則通過氧空位介導。

（2）表面偶極矩與功函數的調控作用

表面法向偶極矩（DipoleZ）對粘附能有顯著影響。金屬終止表面呈現向下（負值）DipoleZ，增強Pt粘附；氧終止表面呈現向上（正值）DipoleZ，減弱粘附。這與Pt不易被氧化的特性一致，電子抽取表面氧原子降低粘附能，而金屬終止表面增加相互作用能（圖5）。功函數表現出與粘附能的火山型關系，在Pt的功函數范圍（5.12-5.93 eV）附近達到峰值。功函數差異導致電子轉移：當WF(載體)時，電子從載體流向Pt；反之則從Pt流向載體。通過三種CeO2-x體系的電荷分析證實，電子富集（-0.32|e-|）或缺電子（+0.39|e-|）狀態都增強界面電荷密度從而強化粘附，而功函數接近時電子轉移較弱（+0.15|e?|），粘附能適中。

（3）普適性驗證與材料差異

這些發現在ZnO、ZrO2、TiO2和NiO等其他金屬氧化物中得到驗證，表明SBOO關系具有普適性。對不可還原氧化物（Al2O3和SiO2）的案例研究表明，雖然SBOO機理同樣適用，但由于不可還原氧化物很少形成氧空位，其SBOO范圍較窄（1.8-2.2），限制了通過調控表面氧鍵合強度來調節MSI的潛力。

圖5. 驗證iGAM衍生相關性的案例研究

4.篩選和驗證抗燒結支撐體

（1）雙模型高通量篩選體系

研究團隊開發了雙iGAM模型篩選策略，成功平衡了篩選效率與準確性。該方法完全規避了計算昂貴的NN-MD模擬，僅依賴預訓練的機器學習模型和易獲取的物理描述符。首先從OC22數據集中提取了10,662種DFT弛豫的單元和二元金屬氧化物表面作為候選載體，涵蓋周期表51種元素。訓練了六特征簡化iGAM模型（使用Esurf、ΔEhull、E_f、ρO、ρM和Ra六個可直接從數據庫獲取的特征），實現了快速預篩選。

圖6. 用于抗燒結Pt基系統高通量篩選的雙模型方法

（2）多階段精細化篩選流程

初步篩選后，實施多階段精細化篩選：首先排除含環境有害元素（Pb、Hg、Tl）的氧化物；隨后評估熱力學穩定性（ΔEhull≤25 meV/atom，Esurf<3.0 J m-2），確保材料可合成性；接著考慮高溫穩定性，設置熔點篩選標準（Tmelting>800 °C），確保載體在工業反應溫度下保持穩定。

進一步考慮塔曼溫度（TTammann= 0.5× Tmeltingin K）作為更嚴格篩選因素，該溫度以上固態擴散顯著，可能導致載體自身燒結和表面積減少。經過這些步驟，從269個初選候選材料中精選出148個潛在金屬氧化物表面。

圖7. 氧化物載體上Pt NPs的Metropolis Monte Carlo模擬和實驗驗證

（3）精確計算與實驗驗證

對精選候選材料進行DFT計算獲取六個附加特征（SBOO、DipoleZ、WF、NCM、NCO和SBOM），并使用更精確的12特征iGAM重新計算接觸角。最終確定了18種最具前景的載體材料，滿足TTammann>800 °C、ΔEhull=0、Esurf<3 J m-2和θ=90 ± 10°的嚴格標準。

通過Metropolis蒙特卡洛模擬驗證篩選結果，比較了BaO、CeO2和Al2O3三種載體的抗燒結性能。模擬顯示，BaO(100)表現出與CeO2(110)相當的優異抗燒結性，顯著優于α-Al2O3(0001)。分析表明，BaO(100)的低表面能（0.50 J m-2）、適中SBOO值（1.58）、負向偶極矩（-0.23 au）和低功函數（0.97 eV）共同促成了其優異的抗燒結性能。

實驗驗證進一步證實了預測準確性：Pt/BaO在800 °C熱處理24 h后僅顯示輕微燒結（8.9 ± 2.8 nm），顯著優于Pt/Al2O3（61.1 ± 12.4 nm）和Pt/CeO2（11.2 ± 6.8 nm）。研究還發現許多二元金屬氧化物表面（如ZrTi2O(231)）具有優異抗燒結潛力，為未來催化劑設計開辟了新方向。

03

總結

這項研究成功地將神經網絡分子動力學與可解釋機器學習相結合，建立了金屬-載體相互作用的定量預測模型。通過分析203種Pt/載體系統的NN-MD模擬數據，團隊發現了表面能、表面氧鍵級、表面偶極矩和功函數四個關鍵描述符控制著MSI強度。

創新的雙階段篩選策略實現了對萬余種載體材料的高效評估，成功預測出18種具有優異抗燒結性能的載體材料，其中Pt/BaO系統的實驗驗證證明了預測的準確性。這種方法不僅大大加速了催化劑設計過程，而且通過可解釋的機器學習模型提供了深刻的物理化學見解，突破了傳統試錯法的局限。

04

展望（巨人肩上前行）

1. Pt/BaO能不能在各個方面表現出更優的催化活性；

2. 將當前方法擴展到其他金屬、多元合金納米顆粒和復雜氧化物載體體系等；

3. 深度學習-實驗一體化篩選平臺，實現從機器學習預測到材料合成、表征和性能測試的快速迭代。

文獻信息

Chenggong Jiang, Bill Yan, Bryan R. Goldsmith & Suljo Linic, Predictive model for the discovery of sinter-resistant supports for metallic nanoparticle catalysts by interpretable machine learning, Nature Catalysis, 2025. https://doi.org/10.1038/s41929-025-01417-3.

聲明：

1. 版權：推送內容僅供學習交流分享使用，無任何商業用途，如有侵權，請聯系后臺刪除或修改，感謝支持。

2. 投稿：非常歡迎各位老師在公眾號上介紹課題組前沿或經典研究成果！后臺或郵箱聯系即可！