电催化是实现可持续能源转化与减碳减排的关键技术。电催化反应总是在特定的环境下发生，并且和环境中的物种发生相互作用，形成工况下的活性相结构，活性相结构搜索的传统算法存在条件依赖性，无法适应无序和动态结构的不足，这需要发展新的研究范式来实现催化活性相的探索。北京大学深圳研究生院新材料学院潘锋教授团队将数学的图论/代数拓扑和结构化学相融合，通过将化学结构映射为数学模型，发展了系列材料研究方法，创新性地提出一种基于图论的结构化学研究方法(Sci China Chem, 2019, DOI: 10.1007/s11426-019-9502-5）解决了晶体学同构判断的难题，建立了拥有65万晶体结构的大数据系统，并以此发展材料基因组学和AI for Science（AI4S）的研究，将其应用于低维材料的发现（National Science Review, 2022, DOI: 10.1093/nsr/nwac028）和新型固态电解质的设计（J. Am. Chem. Soc. 2024, 146, 27, 18535-18543）。发展了基于图表示、图同构和机器学习的主动学习框架，可以实现从包含数百个中间物种催化反应网络中快速预测最优热力学路径的方法(CCS Chemistry 2024, 7, 1-14)。
近日，潘锋团队和厦门大学李剑锋、郑世胜团队提出了一种基于图论结构化学、拓扑数据分析和机器学习力场的自动化多相催化活性相探索框架。该研究通过拓扑引导采样算法结合机器学习方法，实现了对多种催化材料活性相的系统性采样和高效计算，为多相催化反应的机理研究和材料设计提供了新的技术路径。相关研究成果以“Active Phase Discovery in Heterogeneous Catalysis via Topology-Guided Sampling and Machine Learning”为题，发表于国际学术期刊Nature Communication 2025，16，2542。
在多相催化过程中，活性相的确定对于理解反应机理至关重要。然而，受环境条件影响，催化剂表面及其内部的原子结构会发生复杂演变，传统的计算模拟方法难以高效覆盖庞大的结构空间。针对该问题，团队提出一种基于代数拓扑持续同调理论的采样算法（PH-SA），它利用持序同调分析通过自下而上的方法检测空间中可能的吸附/嵌入位点。PH-SA能够探索表面、亚表面甚至体相与活性物种之间的相互作用，不受形态限制，因此可应用于周期性和非晶态结构。
图1 基于持久同调的采样算法（PH-SA）的概述和活性相探索的总体框架
本文通过两个典型体系验证了该框架的有效性。首先，在Pd-H体系中，该方法筛选了超过5万种可能的氢吸附/嵌入构型，并利用机器学习力场计算了不同氢浓度下的活性相分布。研究发现，在电化学条件下，Pd(100)表面经历了由四重空位到六重空位的重构，这一现象被认为与CO2电还原反应的催化活性增强密切相关。其次，在Pt-O体系中，该方法分析了超过10万种Pt纳米团簇的氧化构型，发现随着氧浓度的增加，Pt55团簇内部逐渐形成Pt-O配位结构，导致其氧还原反应活性降低。这一结果与实验观察高度一致。
图2 不同H浓度的PdHx体系结果分析
图3 不同0浓度的PtOx体系结果分析
该研究表明，基于拓扑学的采样方法可有效弥补传统基于化学直觉的采样策略的不足，同时结合AI机器学习力场的高效计算能力，实现大规模结构空间的自动化探索。研究团队表示，该方法不仅适用于金属催化剂，还可推广至其他复杂催化体系，如CO2电还原中的CuOx相变以及SiOx在锂离子电池中的储能机制研究。
北京大学深圳研究生院新材料学院教授潘锋及博士毕业生郑世胜与厦门大学李剑锋教授为本文的通讯作者。郑世胜、厦门大学人工智能研究院张希铭为本文第一作者。本研究由国家自然科学基金、广东省重点实验室等项目资助。
