研究团队构建了一个包含1197种单原子催化剂（SACs）的数据库，并结合机器学习模型实现了对催化活性的快速预测，为高效催化剂的设计提供了新思路。
The codes of AML project：
https://github.com/Weijie-Yang/AML.
The data of SACs database：
https://catalysis-ncepu-hvkydg736ykqeq26d5gxrn.streamlit.app
研究背景：
单原子催化剂（SACs）因其高原子利用率和优异的催化性能，在能源和环境催化领域具有广泛应用前景。然而，SACs的性能受其配位环境的影响较大，而传统的实验筛选方法效率低下，制约了高效催化剂的开发。因此，利用高通量计算和机器学习手段，加速SACs的筛选和设计成为研究热点。
研究方法：
研究团队通过第一性原理密度泛函理论（DFT）计算，系统研究了由9种3d过渡金属（Ti, V, Cr, Mn, Fe, Co, Ni, Cu, Zn）与5种非金属（B, N, O, P, S）构成的1197种SACs的电子结构和吸附性能，构建了一个开放获取的SACs数据库。随后，团队训练了多种机器学习模型（如XGBR、RFR、SVR），以预测催化剂的电子结构和关键中间体的吸附能，并结合催化火山图模型，实现了催化活性筛选。
研究结果：
研究结果表明，极端梯度提升回归（XGBR）模型在预测催化剂的电子结构和氧吸附能方面表现最佳，预测均方误差（MSE）低于0.35。此外，研究团队基于数据库和机器学习框架，快速筛选了1261种含4d过渡金属的SACs，并成功锁定Rh1B4和Rh1C2S2为潜在高效催化剂，其催化氧化NO和Hg0的能垒显著低于已有报道的催化剂。这一成果为数据驱动的高效SACs筛选提供了重要工具，并有望加速新型催化材料的开发。