导 读
二维(2D)材料具有大的表面积-体积比和优异的化学活性，被认为是潜在的能量存储和转换材料。石墨烯和二维过渡金属硫化物等材料，已经在电解水产氢中得到了广泛研究，但如何将面内原子转变成催化活性位点仍具有挑战性。从MAX相剥离的2D MXenes (M是过渡金属，X代表碳和/或氮)材料，广泛用于能量存储与转换、电催化、电磁屏蔽和电子器件等领域。
近日，计算中心新材料计算研究团队基于依托北京工业云平台构建的“多尺度模拟和多目标机器学习材料计算与数据平台”实现了新型2D MXenes催化材料的精准设计，相关成果近期发表在了国际顶级期刊《Journal of MaterialsChemistry A》 (影响因子：11.301) 上。第一作者为计算中心王晓旭助理研究员，通讯作者为北京科技大学宿彦京教授。
研究团队主要成员合影
2D MXenes有序二元合金材料是一类新型的MXenes电催化多功能材料，然而由于母相MAX有70多种，合金组合的空间相当大。传统的试错法，需要大量的重复实验，过程繁琐，研发周期长，资源消耗较大。通过理论指导的精准合成，对于开发新材料、新性能领域有重要的意义。近年来，随着计算能力的大幅度提升，采用大数据挖掘和高通量计算的方法加速新材料的发现成为了可能。
大数据驱动高通量计算实现新材料精准预测
近日，北京市计算中心新材料计算研究团队通过大数据挖掘，进行化学空间搜索，依托计算中心的“多尺度模拟和多目标机器学习材料计算与数据平台”开展高通量计算，实现了2D MXenes二元合金结构和功能导向的理论精准合成。相关成果以“Accelerating 2D MXenes CatalystDiscovery for Hydrogen Evolution Reaction by Computer-Driven Workflow andEnsemble Learning Strategy” 为题在国际顶级期刊《Journal of Materials Chemistry A》（影响因子：11.301）上发表。如图1所示，大数据驱动的高通量计算与机器学习集成框架是开发高效催化剂的先进方法。
图1 |二维MXenes-OBAs催化材料发现框架。
研究团队采用大数据驱动的高通量密度泛函理论(DFT)计算流程，集成机器学习框架，预测了2D MXenes有序二元合金(OBAs)催化活性趋势并指导HER催化剂设计，从2520种候选催化剂中筛选出188种具有热稳定性且可通过实验合成的HER催化剂。其中110种2D MXenes OBAs与理想的铂催化剂相比，表现出优异的HER催化活性。说明合金化是调控催化性能的有效方法，极大地丰富了2D MXenes HER催化材料的种类。
人工智能构建具有物理意义的催化描述符设计新材料
如图2所示，在计算大数据的基础上，团队利用AdaBoost集成机器学习模型开发的描述符准确预测和揭示了HER催化活性的物理化学起源源，并的到电子结构理论验证。如图2（f）所示，在保证准确性的前提下可以有效提高材料设计效率90%以上。
图2 |机器学习框架示意图。（a）吸附模型；（b）特征选取；（c）数据集分割。（d）降维后特征重要性排序；（e）降维后特征相关性；（f）ML模型预测结果。
该工作将大数据驱动的高通量计算与机器学习相结合，集成高通量计算流程与机器学习框架作为开发高效2D MXenes催化剂的先进方法，在评估催化活性趋势和设计新的复杂催化剂方面显示出强大的能力，并有望推广到更广泛的新材料设计中。
团队介绍
计算中心新材料计算研究团队曾获北京市技术科学研究院“青年骨干”人才计划等项目的大力支持，团队成员以博士学位和高级职称人才为主，研究领域包括新材料计算平台设计、新材料高通量筛选和机器学习优化及材料大数据挖掘等，承担了材料基因工程重点专项等多项国家级科研项目，并面向社会提供不同层次的研发服务。
