《Nature Chemical Engineering》:An end-to-end framework for reactivity in heterogeneous catalysis
编辑推荐:
催化过程的理论阐释依赖于对驱动反应物转化为产物的竞争反应机理的基本理解。传统上,组成反应网络的基本基元步骤列表基于化学直觉提出,并通过密度泛函理论(DFT)进行评估。该方法受限于网络规模且忽略替代路径。在此研究人员提出催化自动反应评估器(CARE, Catal
催化过程的理论阐释依赖于对驱动反应物转化为产物的竞争反应机理的基本理解。传统上,组成反应网络的基本基元步骤列表基于化学直觉提出,并通过密度泛函理论(DFT)进行评估。该方法受限于网络规模且忽略替代路径。在此研究人员提出催化自动反应评估器(CARE, Catalytic Automated Reaction Evaluator),一个面向非均相催化的灵活端到端框架,由(1)基于规则的化学反应网络(CRN)生成器、(2)由先进机器学习(ML)模型驱动的热力学与动力学参数评估模块、(3)快速微动力学校型(MKM)求解器三部分组成。CARE重现了甲醇分解的实验活性趋势,识别了CO2电还原中生成C3产物的选择性,并生成了包含370,000个反应、可达C6产物的Fischer–Tropsch合成(FTS)机理。该综合框架使得此前无法进行原子尺度模拟的热催化与电催化反应探索成为可能。
论文解读:非均相催化反应活性研究的端到端框架——CARE
研究背景与意义
催化过程的研究核心在于理解复杂竞争的多步化学反应网络(CRN, Chemical Reaction Network),其由物种集合S、反应集合R及性质集合P(通常包括反应能与活化能)构成。传统方法依赖化学直觉手动列举基元步骤并结合密度泛函理论(DFT)计算能垒,但当网络复杂度增长(如Fischer–Tropsch合成涉及C1–C6物种),组合爆炸使DFT评估在计算量和时间上不可行,且易遗漏关键路径或导致催化剂失活的副反应。现有CRN算法分两类:基于势能面实时搜索(受限于~102中间体)与基于规则生成(解耦网络生成与能量评估,可处理更大网络但需加速能量预测)。基团加和(GA, Group Additivity)、线性标度关系(Linear Scaling Relations)及Br?nsted–Evans–Polanyi(BEP)方程虽可估算参数,但精度较DFT低(MAE≈0.5 eV),影响选择性分析。机器学习(ML)加速策略(图神经网络GNN、ML原子间势MLIP)可提升精度,但尚未系统整合入CRN自动生成与微动力学校型流程。因此,研究人员开发了CARE框架,发表于《Nature Chemical Engineering》,旨在实现非均相催化CRN的自动生成、ML加速能量评估与微动力学校型的一体化,突破大规模网络表征瓶颈。
主要关键技术方法
研究人员开发Python(CARE框架,基于RDKit/ASE/NetworkX),含三模块:(1)催化剂无关、基于规则的CRN蓝图生成器——设定C/O原子数上限(NC, NO),由烷烃经分子模板氧修饰得化学空间(CS, Chemical Space),再经断键模板生成扩展CS(eCS, extended CS)与基元反应(吸附/脱附、X–Y键断裂/形成、[1,2]-H迁移、质子耦合电子转移PCET);(2)热力学/动力学参数评估接口——核心为GAME-Net-UQ(图神经网络,558k参数,含开壳层物种、过渡态(TS, Transition State)能量预测及不确定性量化UQ,输入图含断键标记边,表面效应编码广义配位数GCN, Generalized Coordination Number及次近邻),同时兼容FAIRChem/MACE/Orb/PET-MAD/SevenNet等MLIP做NEB(Nudged Elastic Band)搜索;(3)微动力学校型(MKM, Microkinetic Modeling)求解器——默认零转化微分平推流反应器,用过渡态理论(TST, Transition State Theory)与Hertz–Knudsen方程求速率常数,Julia(DifferentialEquations.jl)解刚性ODE至稳态。验证用三个案例:甲醇分解(C1O2, 实验对照CatTestHub)、Cu(100)上CO2电还原制C3产物(C3O2, CHE模型)、C6O1Fischer–Tropsch合成(FTS, 物种/反应数≈4万/37万),GAME-Net-UQ训练集含12,303个DFT优化吸附结构与部分TS(184闭壳分子+ C2H6O2网络中间体/TS,80%中间体+20% TS)。
研究结果
CARE
CARE为CHO体系非均相/电催化的端到端框架,三独立模块:模板基网络蓝图生成器(催化剂无关,定义NC、NO或自定义SMILES生成CS→eCS+反应,主模板含X–Y键断裂/形成、吸附/脱附、[1,2]-H移位、PCET)、ML驱动热力学/动力学参数评估器(主力GAME-Net-UQ,亦可接MLIP)、微动力学校型求解器。网络蓝图仅需生成一次即可用于不同催化剂。
Network blueprint generation(网络蓝图生成)
定义CS大小由最大分子骨架C原子数NC与O原子数NO确定,烷烃池经分子模板(醇/醚/环氧化物等)氧饱和得CS;断键模板(基于RDKit操作SMILES)对CS分子同时生成反应、开壳碎片及不饱和闭壳分子(烯烃/酮/酸),得eCS。反应模板涵盖C–H/C–C/C–O键断裂形成、吸附脱附、分子内重排([1,2]-H迁移)及PCET,模块化可扩展。eCS+反应集合=与催化剂无关的CRN蓝图。
Estimating thermodynamic and kinetic parameters(热力学与动力学参数估算)
CARE接入多种ML估算器,核心为GAME-Net-UQ——在原GAME-Net(闭壳分子吸附能直接图→弛豫能预测)上升级:(i)扩展至开壳中间体;(ii)预测TS能量;(iii)UQ输出正态分布N(μ,σ2)。图数据集12,303结构(DFT优化吸附构型+部分TS),边属性标记断键以区分TS与中间体图,采用拓扑自适应卷积层。表面效应通过多晶面数据、节点编码广义配位数、二阶表面近邻区分空位吸附位点纳入。测试集(n=2460)中间体MAE=0.21 eV,TS MAE=0.22 eV;标记断键边降MAE 0.23 eV,广义配位数降0.04 eV;不确定度与误差正相关(误校准面积1.3%)。推断时用DockOnSurf生成吸附构型、ACAT识别位点,可用UQ选最低不确定性构型或指导主动学习。反应能ΔE与活化能Eact由物种/TS能量误差传递得到;若预测ETS< />FS(终态),放热步取Eact=0,吸热步取Eact=ΔE。亦支持MLIP(FAIRChem/MACE/Orb/PET-MAD/SevenNet)做几何弛豫与NEB-TS搜索。
CRN analysis via microkinetic modeling(通过微动力学校型分析CRN)
CARE内置平均场微动力学校型(MKM),默认零转化微分平推流反应器,由物种质量平衡ODE描述;表面步用TST,吸附步用Hertz–Knudsen方程,逆反应系数由热力学一致性获得。用Julia(DifferentialEquations.jl)解刚性ODE(优于SciPy),自动判据达稳态(表面覆盖度和为1且元素守恒)。可选简化策略(去高能垒反应、设无垒、指定目标产物裁剪网络)。
Application to industrially relevant problems(工业相关问题应用)
选用三递增复杂度案例验证CARE能力。
Methanol decomposition(甲醇分解)
研究CH3OH→CO+H2于九种金属催化剂,C1O2CRN含28表面物种、10气相分子、62基元反应。GAME-Net-UQ评估63个CRN(8种fcc金属+ Ru hcp各晶面)耗时47 min(GPU);对比DFT文献:ΔE MAE=0.47 eV,EactMAE=0.33 eV(Eact仅依赖反应物与TS能故更准;ΔE误差来自三物种能累乘)。GAME-Net-UQ捕获CO生成速率火山型趋势,Ru最活(与实验一致);按Wulff构造加权各晶面速率后与CatTestHub实验趋势吻合(Rh因(310)阶梯面异常偏高略偏离)。EquiformerV2-31M/MACE-MP-0对TS预测偏差大(MAE>2 eV)致速率严重低估。表明不依赖几何弛豫的能量定向ML在催化活性排序上具优势,MLIP需加强TS采样。
Electrochemical reduction to C3products(电还原生成C3产物)
C3O2CRN于Cu(100)(893表面物种、93气相、7709基元反应),计算氢电极(CHE, Computational Hydrogen Electrode)模型引入电位/pH。网络评估24核CPU 5 min。PCET步按pH/电位正确偏移热力学;分析丙醛→1-丙醇(1-PrOH)与烯丙醇→C3H6/1-PrOH竞争路径,GAME-Net-UQ复现DFT趋势——碱性条件下1-PrOH优先生成(与实验C3产物仅观测1-PrOH一致),未考虑隐式溶剂与Bader电荷修正仍捕获关键选择性。证明CARE可处理电化学体系(PCET模板+CHE校正)并预测选择性。
Fischer–Tropsch synthesis(Fischer–Tropsch合成/FTS)
C6O1CRN于Co(0001)/Fe(110)/Ru(0001)/Ni(111):38,913表面物种、985气相、369,365基元反应。GAME-Net-UQ评估(训练集每金属<200 TS结构,99.98% TS为新数据)加蓝图生成共4 h(24核CPU),较全DFT估算快~106倍。对线性产物子网络(4203物种/36843反应)做MKM(523.15 K, 10 bar, H2/CO=2):6–50 min收敛。Co显示C–C偶联最有利(与长链选择性一致),Fe水气变换(WGS, Water–Gas Shift)明显(高CO2生成率);Anderson–Schulz–Flory(ASF)分布因截断至C6致C6累积。链增长初始为C1加成,C5–6形成主要来自C2+C3/C2+C4/C3+C3组合。83% TS预测满足EIS< />TS>EFS,失效多因高估终态能(无横向相互作用)。首次实现对~37万反应FTS网络的全能量表征与MKM模拟。
讨论与结论
CARE为热/电非均相催化评价提供稳健软件:规则模板趋近CRN完备性、减少直觉偏倚;模块化可扩展至N/S/P杂原子、异构化等;易纳入罕见事件(催化剂失活研究)。GAME-Net-UQ轻量直接预测弛豫能,带UQ可传至反应性质/MKM或指导主动学习,免除经验标度关系,千级物种/TS预测<1 CPU小时。局限含未含横向作用/溶剂隐式模型、吸附构型精细分析、拓展至合金/氧化物需扩充训练;MKM未来可加熵贡献、精细电化学描述、网络剪枝与复杂反应器模型。研究结论:CARE通过规则基CRN生成+ML加速能量评估+高效MKM求解,实现非均相催化过程自动化、较完备、低偏倚的探索与表征,为塑料/生物质复杂化合物催化研究开辟途径。