Nature Catalysis：OER催化剂智能设计！

米测MeLab

2026-01-14

第一作者：Yang Bai, Kangming Li, Ning Han

通讯作者：Edward H. Sargent, Jason Hatrick-Simpers

通讯单位：加拿大多伦多大学

研究要点

本研究发展了一种名为“混合加速”的分层智能工作流程，首次将理论描述符、高通量实验数据与机器学习模型深度结合，实现了对酸性介质中析氧反应催化剂的可合成性、活性及稳定性的联合预测与协同优化（图1）。该研究团队通过379次实验验证，从庞大的钌基多元氧化物设计空间中，成功筛选出七种性能超越现有帕累托前沿的催化剂。其中，最优组分Ru_0.5Zr_0.1Zn_0.4O₂在10 mA cm⁻²电流密度下的过电位仅为194 mV，且在酸性析氧条件下的钌溶出率比纯RuO₂低12倍。这项研究不仅加速了高性能、高稳定性酸性析氧催化剂的发现进程，更通过引入实验描述符，为复杂多相材料的智能化设计提供了普适性框架。

图1. 研究方法示意图

一、研究背景

氢能作为一种清洁能源载体和重要化工原料，对于实现难以减排的重工业领域脱碳至关重要。质子交换膜水电解是目前最具前景的绿氢制备技术之一，但其阳极析氧反应需要在强酸性环境中进行，极大地限制了催化剂的选择。目前商业化系统严重依赖高稳定性的铱基催化剂，然而铱是地球上最稀缺的元素之一，高昂的成本和有限的储量成为其大规模应用的主要瓶颈。

二氧化钌是一种有潜力的替代材料，具有成本较低和析氧活性高等优点，但其在酸性环境中的稳定性一直不尽如人意。通过与其他元素形成多元合金或氧化物来稳定钌基催化剂是一种常见策略，但这使得可供探索的化学空间变得极其庞大且组合复杂。尽管结合了高通量实验与机器学习的材料加速平台能够加速催化剂的发现，但如何准确预测并协同优化材料的可合成性、活性与稳定性，尤其是对于实验中常出现的多相混合材料，仍然是一个巨大挑战。在此之前，一个能够将假设的催化剂与其实际合成路径（单相或多相）以及酸性析氧性能联系起来的预测性特征化工作流程尚未见报道。

二、研究思路

1. “混合加速”工作流程

为了更高效地探索多元金属氧化物空间，解决材料描述中的挑战，并弥合理论预测与实验合成之间的鸿沟，研究团队开发了名为“混合加速”的分层多模型工作流程（图2）。该流程的核心在于整合了分层建模、迁移学习和中间实验表征，旨在精准预测复杂性质，并将多相材料纳入机器学习引导的发现过程。

具体而言，“混合加速”工作流程包含三个串联的机器学习模型：第一个模型用于预测溶胶-凝胶合成反应的成功率；第二个模型用于评估材料的析氧活性；第三个模型则结合了实验获得的描述符（如结构、组成和活性）与合成前的描述符，来预测催化剂在酸性条件下的析氧稳定性。为了快速获取用于稳定性预测的实验描述符，研究采用了高通量实验平台，将获取每种材料的结构、组成和活性数据的时间缩短至约10分钟，这远快于传统需要数百小时的单一材料稳定性测试。虽然预测不能完全替代实验测试，但它能帮助避免在无前景的材料上耗费时间。该方法的另一个显著优势是其对单相和多相材料均适用，从而解决了人工智能驱动催化研究中长期存在的一个瓶颈。

图2. “混合加速”工作流程

2. 催化剂筛选与性能突破

研究团队通过五轮迭代实验，系统性地测试了“混合加速”方法在从包含钌和其他42种元素的广阔化学空间中筛选高稳定性钌基催化剂的有效性（图3）。五轮实验依次采用了不同的筛选策略：首轮建立初始三元体系数据集；次轮随机选择四元组合作为基线；第三轮依据专家直觉；第四轮由凝胶化和活性模型联合指导；最后一轮则完全由完整的“混合加速”框架驱动，从预测可合成且高活性的候选材料中进一步筛选高稳定性催化剂。

在总共379次合成尝试中，预测性凝胶化模型实现了91%的准确率，而在其指导下的一轮实验，凝胶化成功率达到了100%。析氧活性模型则成功地将高活性材料（过电位低于220 mV）的筛选比例大幅提升。最终，在“混合加速”框架引导的第五轮实验中，催化剂的整体稳定性得到显著改善，超过90%的材料在2小时测试中钌溶出率低于1%。尤为重要的是，有七种材料突破了由前四轮实验结果构成的活性-稳定性帕累托前沿边界（图4）。

在这七种脱颖而出的催化剂中，Ru_0.5Zr_0.1Zn_0.4O₂表现最为均衡，其钌溶出率比纯RuO₂低12倍，与文献报道的Ru_0.1Ir_0.9O_x（含贵金属铱）的稳定性相当，凸显了锆和锌作为铱的有效替代元素用于稳定催化剂的潜力。其他几种催化剂也展示了卓越的性能，例如Ru_0.8Rb_0.2Ni_0.3O_x获得了140 mV的低过电位。

图3. 混合金属氧化钌溶胶-凝胶合成法

图4. OER性能评估

3. 掺杂剂作用的机制探究

通过对不同掺杂元素与性能关联的深入分析，研究揭示了元素特异性作用规律。铁、钴、铜、镍以及碱金属等掺杂剂倾向于提高催化剂的析氧活性，这主要归因于它们与钌之间有利的电子相互作用。然而，含碱金属的催化剂通常稳定性较差，可能是因为它们促进了钌在催化剂重构过程中的过氧化。

相反，锆、锌、铪等掺杂剂与更低的钌溶出率相关，表明它们在稳定钌基催化剂结构方面具有积极作用。进一步的元素溶出分析和X射线光电子能谱表征发现，大多数非钌元素在反应早期即发生显著溶出，表明它们并非主要的活性位点。它们的作用更可能是通过调制钌的局部配位环境和电子结构，影响其在反应过程中的重构行为，从而间接决定稳定性。特别是锆的引入，不仅自身稳定，还能减缓其他元素（如锌）的溶出，并抑制钌氧化态在反应过程中的剧烈变化，起到了稳定催化剂整体结构的关键作用。

4. 稳定性预测模型的关键与优势

评估催化剂的析氧稳定性远比测试活性更为耗时和复杂。在本研究的“混合加速”策略中，稳定性预测模型综合了合成前描述符（化学信息与合成条件）和实验描述符（过电位、X射线荧光与衍射分析结果）。对于实验中普遍存在的多相材料，研究者通过X射线衍射谱鉴定晶相，并基于主峰面积加权平均的方式，从材料数据库中获取对应相的多种密度泛函理论计算性质（如能带隙、价带顶、特定条件下的普贝图分解能等），从而构建出能够描述混合相材料的实验描述符。

研究发现，由实验获得的“加权普贝图分解能”是预测稳定性的最重要特征，它与钌溶出率呈正相关（图5）。这一特征无法在没有实验成分输入的情况下准确获得，凸显了实验描述符在预测中的决定性作用。此外，元素的电负性、离子性等特征也与稳定性相关，而实验测得的过电位则与之呈反比关系。通过整合快速的析氧活性测试结果与上述关键描述符，研究建立的模型能够以较高的准确性预测材料的长期稳定性，从而避免了在低成功率的材料上进行耗时漫长的测试，实现了材料发现速度的极大提升。

图5. OER稳定性预测

三、小结

本研究成功开发并验证了“混合加速”这一创新工作流程，它通过分层模型将复杂的酸性析氧稳定性挑战分解为可管理的步骤——材料合成、析氧活性和析氧稳定性预测。该方法利用实验描述符，将传统稳定性测量的效率提高了三个数量级，显著增强了材料表征的准确性并改善了预测可靠性。其核心贡献在于，通过融合高通量实验产生的实时数据与理论描述符，构建了更贴近真实材料状态的混合特征，从而有效地桥接了理论材料表征与实际催化性能之间的鸿沟。

这项工作不仅加速发现了多种性能超越现有边界的钌基析氧催化剂，证明了锆、锌等非贵金属元素在替代铱用于稳定催化剂方面的巨大潜力，更重要的是，它提供了一种可推广的范式。该方法不仅限于钌基材料，未来可用于探索其他非贵金属酸性析氧催化剂。这些描述符和流程可以无缝集成到自主运行的“自动驾驶实验室”中，实现全人工智能代理引导的实验，从而进一步加速新材料发现的闭环。通过阐明掺杂剂介导的重构路径及其对性能的影响，这项研究为未来理性设计兼具高活性和高稳定性的酸性析氧催化剂奠定了坚实的科学基础。

原文详情：

Yang Bai, Kangming Li, Ning Han et al. Stable acidic oxygen-evolving catalyst discovery through mixed accelerations. Nature Catalysis (2026). 

https://doi.org/10.1038/s41929-025-01463-x.