开发高效的析氧反应(OER)电催化剂是实现高效水分解和储能的关键，在可再生能源技术中具有重要的作用。Co₃O₄晶体材料具有价格低廉、催化活性好、稳定性强的优势，在OER中应用广泛。研究Co²⁺/Co³⁺表明，Co₃O₄的电催化性能依赖于其表面结构，Co²⁺/Co³⁺相对比例提高与增强的电催化OER活性密切相关。通过结构调控，提高表面Co²⁺的暴露比例一直是研究的热点。然而，由于氧化物结构的复杂性，导致其表面结构的定向调控极具挑战。

基于此，湘潭大学刘平乐教授和王聪慧副教授提出“模型刻蚀”的策略，用于定向调控氧化物的表面结构。该研究构建了“以晶面结构的演变为纽带，以化学刻蚀法为手段，以催化性能优化为目标”的高效催化剂设计思路，对Co₃O₄催化剂的理性制备具有重要的指导意义。

本文要点：

1) 制备了暴露（100）晶面的四氧化三钴立方体为模型晶体，其规则、均一的表面结构使我们能够在原子层次研究表面结构演变。浓硫酸刻蚀后，光滑的（100）表面逐渐演变成台阶状的{111}面，这是由于{111}面具有高的Co离子浓度而成为刻蚀的终止。

2) Co₃O₄的（111）晶面具有高密度的Co²⁺，更易表现出更优异的OER活性。此外，Raman、XPS和EPR等表征表明，刻蚀产生了大量的氧空穴。较低浓度硫酸（0.7 M，3 M）的刻蚀中，氧空穴是Co²⁺/Co³⁺相对比例提高的主要因素，然而浓硫酸（5.25M）刻蚀中，Co²⁺/Co³⁺相对比例提高的程度明显高于氧空穴的增加程度。

3) 浓硫酸中存在的硫酸分子对Co³⁺-O键的断裂促进作用明显，有利于的Co³⁺溶解，从而进一步提高Co²⁺的含量。

Tianyun Zhang, Shichao Zhao, Chuanming Zhu, Jing Shi, Chao Su, Jiawen Yang, Meng Wang, Jun Li, Junhui Li, Pingle Liu*, and Conghui Wang*. Rational construction of high-active Co₃O₄ electrocatalysts for oxygen evolution reaction. Nano Res., 2022, 10.1007/s12274-022-4879-2.

识别二维码访问全文

与成分相对简单的材料（即一到三种元素）相比，高熵纳米颗粒具有两个明显的特征：(i)由多元素组合产生的巨大的组成空间和（ii）由于随机多元素混合而产生的复杂原子构型。前者为催化剂的设计和开发提供了巨大的组成选择，后者使这些材料与传统催化剂有根本的不同，它们具有不同的吸附位点和接近连续的结合能分布模式。这些特性对于涉及许多中间步骤且需要多功能的复杂或串联反应特别有吸引力。考虑到不同组成元素之间的物理化学性质（如原子大小和电子结构）跨度较大，以高度可控的方式合成高熵纳米颗粒是困难的。此外，由于复杂的原子构型和相似电子对比的多种元素，表征高熵纳米粒子的详细结构，如反应表面和缺陷，是具有挑战性或仍然缺乏的。

基于此，美国马里兰大学 胡良兵教授针对在高熵纳米粒子的合成、结构和应用方面的重要进展和关键问题进行了综述，探讨了计算引导和数据驱动的高熵纳米粒子加速探索的潜力和实施，分析了高熵纳米粒子多维空间中的合成-结构-性质关系。

本文要点：

1) 通过ML-高通量筛选（基于第一性原理）以数据驱动的材料发现的方法可以开发用于靶向催化反应方案的高熵纳米粒子，以及在复杂的微观结构和结合能分布条件下，识别高熵纳米粒子中的催化活性位点。此外，高通量计算还可用于多元素成分的相预测，能够筛选数百万种元素组成，实现高熵纳米粒子的直接高通量合成和筛选。其中机器学习可通过广泛预测未测量的成分、引导探索以快速找到性能最优值以及对成分和过程结构的定量理解，来加速材料发现-属性关系。

2) 高熵纳米粒子材料目前处于起步阶段，需要在可控合成（目标表面成分和原子排列）；精确表征（高熵纳米粒子的表面、有序、缺陷和动态演化）；精准鉴定活性位点（识别和了解高熵纳米粒子的性能来源）；快速高通量-机器学习（快速筛选和合成高熵纳米粒子）等方面投入更大的精力，以加速探索多元素空间中的高熵纳米粒子。

Yonggang Yao†, Qi Dong†, Alexandra Brozena, Jian Luo, Jianwei Miao, Miaofang Chi, Chao Wang, Ioannis G. Kevrekidis, Zhiyong Jason Ren, Jeffrey Greeley, Guofeng Wang, Abraham Anapolsky, Liangbing Hu*. High-entropy nanoparticles: Synthesis-structureproperty relationships and data-driven discovery. Science 376, 151 (2022). 

识别二维码访问原文

科研人员和工程师们不断地寻找具有特殊性能的材料以推动各种技术的快速发展。由于材料的几乎无限组合，这些搜索需要制定策略。对于传统的合金，它们通常由一个单一的主金属元素和其他元素组成。最近，研究人员开始冒险寻找具有多种主要元素的合金。这种合金被称为高熵合金（HEA），极大地扩展了合金在材料设计的搜索空间。通过利用现有的合金数据训练人工神经网络，该网络可以学习和预测合金中元素及其集体性质之间的复杂关系。

基于近年来机器学习在材料的成分筛选和性能优化中的应用发展迅速。中国科学院金属研究所 胡青苗研究员和杨锐研究员应Science期刊邀请，发表了题为《对更好合金的无尽寻索》的述评文章，对利用机器学习进行材料筛选的研究现状进行了评论和展望。

本文要点：

1) 述评文章指出，机器学习方法目前大多应用于功能材料的筛选。原因是这类材料的目标性能主要决定于材料成分，对显微组织并不敏感。然而，结构材料的力学性能如强度、韧塑性等不仅受成分影响，且具有高度的显微组织敏感性，而显微组织又决定于合金成分及制备工艺，这使得结构材料力学性能的影响因素错综复杂。

2) 实际应用中，由于许多参数之间的复杂交互作用，学习算法将需要包含更多的细节，以便在其搜索中更加通用和有效，这将使算法的设计具有挑战性。实际上还需要找到一种能够满足多种性能要求的材料，例如一种同样灵活的良好导体。这也将增加算法设计的复杂度和复杂化。尽管存在这些挑战，但在利用机器学习寻找广泛的外来材料方面取得了成功，如具有高铁电居里温度的复杂掺杂钙钛矿和具有大电应变的无铅压电材料。

Qing-Miao HuRui Yang,The endless search for better alloys, Science, 378 (6615), DOI: 10.1126/science.ade5503. 

识别二维码访问原文

随着高熵合金（HEAs）的发展，材料合成已经达到了一个在相似的组分中使用多个元素的阶段。只考虑元素周期表中最常用的元素，这跨越了至少1050个合金变体的组成空间，这个空间如此之大，无法通过传统的合金设计方法来管理。这些传统的合金设计方法已经应用于HEA组成领域的小子空间，包括计算相图（CALPHAD）和密度泛函理论（DFT）。然而，CALPHAD只提供平衡相图，而DFT的计算成本很高，不能轻易地应用于更高的温度和无序合金。同样，组合实验是非常劳动密集型的，只覆盖有限的HEAs组成空间。

由于这些在寻找具有良好功能和力学特性的材料方面的方法局限性，马普钢铁研究所 Dierk Raabe教授提出了一个主动学习框架来发现成分，这对非常稀疏的实验数据集是有效的。该方法包括基于ml的技术、DFT、平均场热力学计算和实验。

本文要点：

1) 首先，HEA-GAD使用GM、数学建模和采样来对潜在的英瓦尔合金进行大规模搜索。GM学习了一种高效、有效的高维数据表示，这不仅提供了直接的数据可视化表示，而且还将高维设计空间中的搜索转换为低维的搜索（22）。根据评价指标，对不同的gm进行了比较和分析。结果表明，瓦瑟斯坦自动编码器（WAE）体系结构的性能优于其他具有类似体系结构的模型

2) 接下来，作者使用两阶段系综回归模型（TERM）进一步研究了hea-gad生成的合金成分的TEC。第一阶段涉及基于组合的回归模型，旨在快速和大规模的组合推理。然后，筛选HEA-GAD模型中具有潜在低TEC的顶级~1000结果，进入第二阶段模型，其中DFT和热力学计算作为输入的一部分，使其成为一个物理信息模型。在下一节中，我们将演示合并物理输入确实会提高模型的精度。

3) 最后，通过物理性能测量系统实验确定前 3 种选定候选材料的热膨胀系数值。然后，这些实验结果为下一次主动学习迭代增加训练数据库。

Ziyuan Rao, Po-Yen Tung, Ruiwen Xie, Ye Wei*, Hongbin Zhang, Alberto Ferrari, T.P.C. Klaver, Fritz Körmann, Prithiv Thoudden Sukumar, Alisson Kwiatkowski da Silva, Yao Chen, Zhiming Li, Dirk Ponge, Jörg Neugebauer, Oliver Gutfleisch, Stefan Bauer, Dierk Raabe*. Machine learning–enabled high-entropy alloy discovery. Science 378, 78–85 (2022). 

识别二维码访问原文

化学成分对催化活性有很强的影响。增加化学复杂性的方法改变了催化剂的电子结构，可用于优化中间种的吸附能。与单元素电催化剂相比，双金属和三金属合金基材料具有更高的电催化性能。因此，对高熵合金概念（在单个固溶相中包含5个或5个以上的主要元素）的OER进行了评价。大多数基于HEA的催化剂是在体积或微观尺度。然而，纳米HEAs的大规模合成由于复杂的工艺，严格的合金化条件，和杂质而受到限制。金属有机框架（MOF）衍生方法已被证明是一种生产二元/三元合金@（N掺杂）C复合材料的有效方法；衍生材料具有较高的比面积和可调节的晶体结构。研究发现，伴随（N掺杂）碳载体显著提高了使用稳定性。这些多金属MOF衍生材料被认为是很有前途的电催化剂。

基于此，东南大学方峰教授团队采用一种易于处理和可扩展的方法制备，其特点是直接的沉淀路线，然后进行热解合成了纳米尺寸的HEA@C电催化剂（即CoNiCuMnAl@C）。MOF前驱体是用室温沉淀法合成的，与传统的溶剂热法不同，易于实际应用。

本文要点：

1) 所有的CoNiCuMnAl@C样品都显示出一个面心的立方体（面心立方）结构，没有任何二次相。所有热解处理样品的分解和碳化反应都显示出核壳状结构。形成的球形纳米颗粒的核和壳层有不同的对比，证实了核壳结构的形成。

2) 采用本研究的合成方法制备了部分季元和三元合金/C复合材料理解HEA/C催化剂的OER控制机理。四元系和三元合金/C复合材料的电催化性能均优于CoNiCuMnAl@C，证明了高熵基材料中固有的多金属协同效应和位置隔离效应的优势。含Ni的四元/三元元素样品比无Ni催化剂具有较低的过电位，这表明Ni原子在催化过程中可以作为活性位点。

3) 结合傅里叶变换交流伏安法（FTACV）和原位拉曼光谱，以阐明OER过程中的关键活动。OER过程中氢氧根催化活性物质形成，表现出活性物质向Co2+/3+活性中心的结构重排。Cu/Mn所含样品的d带中心位置占据了远离费米能级较深的位置，表现出富电子的特征。因此，铜和锰位可以作为电子库加速电子转移。

Shiqi Wang, Wenyi Huo,* Feng Fang*, Zonghan Xie, Jian Ku Shang, Jianqing Jiang. High entropy alloy/C nanoparticles derived from polymetallic MOF as promising electrocatalysts for alkaline oxygen evolution reaction. Nat. Nanotechnol. 17, 269–277 (2022).

识别二维码访问原文

在过去的几十年里，基于非贵金属过渡金属的催化剂已经开发，如镍和钴合金，碳化物（TMCs），氮化物（TMNs），双卤化物（TMDs），磷化物（TMPs），和硼化物（TMBs）。已经观察到化合物由多个元素或多相结构表现出性能提高低成分合金或纯元素，它被认为是由于成分的协同效应。然而，多组分催化剂的开发是基于顺序试错方法，这是耗时和劳动密集型的。特别是考虑到合金的数量如何随着合金成分的数量而急剧增加，需要更有效的方法。结合高通量材料制备和性能表征的快速筛选的组合方法已被证明可以显著加快材料的发现和优化速度。除了平行模拟外，还提出了几种高通量的实验方法来筛选先进的催化剂。系列测试可以提供精确的电化学信息，但受到效率的限制。基于检测局部pH值或光学反射率的变化的并行方法可以更快地筛选催化剂，但精度较低。

基于此，中科院宁波材料所王军强研究员和霍军涛研究员提出一种高通量快速筛选优异催化剂的方法。该方法具有广泛的适用性，不但适用于筛选析氢催化剂，也可以用于筛选析氧催化剂；不仅可以用于三元合金，通过调整靶材和溅射参数，可以实现更多组元催化剂的快速筛选，对提高催化材料的开发速度和效率有着至关重要的意义。

本文要点：

1) 使用多靶磁控溅射方法制备出具有一定成分梯度的Ni-Co-Ti和Ni-Fe-Au三元合金薄膜，并提出利用气泡高通量并行筛选方法，筛选出具有高浓度气泡（反应活性）的催化剂成分。在3-5天内可以在巨大的成分空间范围内，快速筛选出具有高本征催化活性的三元催化剂材料，整体筛选效率比传统试错式方法提高了10000多倍。

2) 提出了一种可扩展的组合高通量策略，能够快速筛选具有优异催化活性的HER/OER多组分催化剂；从39% <Ni < 69%，22% < Co < 50%，5.5% < Ti < 20%的分空间范围内确定了具有最佳HER活性的Ni56.5Co35Ti8.5合金成分；所开发的高通量筛选策略具有很高的扩展性，通过调整靶材和溅射参数，可以实现更多组元催化剂的快速筛选。

Xuanzhi Liu, Peng Zou, Lijian Song, Bowen Zang, Bingnan Yao, Wei Xu, Fushan Li, Jan Schroers, Juntao Huo,* and Jun-Qiang Wang*, Combinatorial High-Throughput Methods for Designing Hydrogen Evolution Reaction Catalysts. ACS Catal. 2022, 12, 3789−3796.

识别二维码访问原文