Pd40Ni10Cu30P20非晶合金具有非常出色的電催化活性并且在實驗中表現出很優秀的耐用周期，這令它成為如今非常重要的析氫反應催化劑之一。然而，非晶合金建模困難、合金晶胞太大而引起的巨額DFT計算成本使得人們對其表現出如此優秀的催化性能的物理機理尚不清晰。

深圳大學張希老師課題組建立了Smooth Overlap of Atomic Positions-Machine Learning （SOAP-ML）模型加速傳統DFT計算并探究局部化學環境對于Pd40Ni10Cu30P20催化性能的影響。

利用該模型能夠采集大量的活性位點（40000個活性位點）并精確地預測出具有最佳催化性能的非晶合金局部化學環境（該模型的能量預測值與DFT計算值的均方差為0.018）。

該論文“Exploring the physical origin of the electrocatalytic performanceof an amorphous alloy catalyst via machine learning accelerated DFT study”發表在《Nanoscale》期刊上。

SOAP-ML模型的算法框架分為三部分：

（i） 在非晶合金上、下表面隨機生成540個活性位點樣本，DFT計算得到精確的吉布斯自由能 并構建原始數據集；

（ii） 利用SOAP算符進行特征提取，構建吉布斯自由能的機器學習勢函數并分析局域化學環境和吉布斯自由能的關系；

（iii） 在非晶合金的上、下表面密集采樣各20000個活性位點，通過機器學習函數預測位點的吉布斯自由能，得到具有最佳電催化性能的局域原子配比。

圖1 SOAP-ML算法模型流程圖

圖2 （a） Pd40Ni10Cu30P20非晶合金優化前的結構；（b） DFT優化后的Pd40Ni10Cu30P20結構

圖3 （a） 3×3Pd40Ni10Cu30P20非晶合金的俯視圖，其中紅色框表示合金的單胞，用不同顏色標記每個單胞；（b） 活性位點的采樣分布俯視圖

圖4 （a） 不同lmax和nmax下對應的均方差值；（b） 訓練集規模與均方差的關系；（c） DFT計算與用GPR模型預測得到的吉布斯自由能的機器學習交叉驗證；（d） 模型預測的相對誤差百分比

圖5 不同吉布斯自由能下局域化學環境的原子百分比

圖6 （a） 的活性位點的原子結構模型；（b） 氫吸附前后的差分電荷密度，黃色和藍色分別表示電荷累積和電荷損失；（c） 活性位點氫吸附前的PDOS圖；（d） 活性位點氫吸附后的PDOS圖

基于SOAP-ML模型，該團隊篩選出吉布斯自由能位于范圍內的3236個活性位點并進行分析，得到了局域化學環境的最佳配比Pd ： Cu ： P ： Ni = 0.51 ： 0.33 ： 0.09 ： 0.07。分析出Pd和Cu原子對合金局域化學環境的催化性能有促進作用，而P原子對活性位點的催化性能有抑制作用。

此外，該團隊證實了Pd40Ni10Cu30P20非晶合金的長耐用周期來源于脫鎳。

該團隊進一步使用DFT計算了活性位點氫吸附前后的差分電荷密度與PDOS圖，揭示了Pd原子與Cu原子對析氫反應起促進作用的機理。

該團隊提出的SOAP-ML模型能夠精準預測具有最佳催化性能的活性位點原子配比，其機器學習模型預測的結果達到了與DFT結果相比非常高的精度（其均方誤差為0.018）。

這些結果為今后高性能非晶合金催化材料的設計提供了系統性的參考，并對非晶合金的局域化學環境與吉布斯自由能的關系提供了比較深刻的見解。

深圳大學高思妍與甄惠杰為論文的共同第一作者，本論文的通訊作者為深圳大學張希老師，深圳大學機電學院馬將教授為合作者，深圳大學為第一完成單位。該項研究受到國家自然科學基金委以及深圳市海外高層次人才創新創業計劃的資助，荔園優青第二期資助。