ACS Catalysis: 贝叶斯优化探索高熵合金纳米粒子的组成空间

高熵合金（HEA）电催化剂提供了广阔的组成空间，可用于探索以确定用于能量转换反应的有趣材料。虽然已经尝试探索HEA薄膜库的组成空间并比较实验和计算研究，但对于HEA纳米粒子不存在相应的方法。到目前为止，对HEA纳米粒子的催化研究仅限于少量的单个催化剂。

在此，瑞典伯尔尼大学Matthias Arenz等人通过使用贝叶斯优化作为指导构建数据集，报道了碳负载Pt-Ru-Pd-Rh-Au纳米粒子在H₂/CO氧化反应中的组成空间的实验探索。应用无表面活性剂合成平台，作者研究了68个样品的数据集。

其中，前体混合物的比例用作贝叶斯优化算法的输入参数，而在H₂存在下定义的CO氧化“起始电位”用作描述H₂/CO氧化活性的输出参数。由于明确定义的前体混合物不一定会产生明确的纳米粒子组成，因此作者在第二部分中使用一个新的输入参数构建机器学习模型，即通过能量色散X射线能谱（EDX）确定制备好的纳米粒子的组成。通过构建机器学习模型，作者分析了组成元素浓度与催化活性的关系，并与DFT计算进行比较。

图1. 两种机器学习模型的性能

研究表明，机器学习模型证实了先前关于Ru在H₂/CO氧化反应中作用的研究结果。通过使用套索回归来预测双金属 Pt-Ru合金的性能，作者发现了与已报道的性能最佳的Pt-Ru催化剂相似的最佳成分。这些结果强烈表明，采用简单的、不含表面活性剂的合成方法及对纳米粒子催化剂进行最小表征的优化过程，主要依赖于定义明确的合成变量并引入催化性能的度量，是探索HEA纳米粒子催化剂广阔组成空间的有效策略。当在成分空间中加入更多的金属时，这就变得尤为重要。

此外，通过比较计算和实验研究的发展趋势，可发现不同组分的“起始电位”与*OH的吸附能之间存在相关性。当考虑5%的*OH吸附最强位点时，计算数据与实验数据之间的相关性最好。总之，本研究概述了一种有效且可行的方法，用于探索结合实验和计算手段的碳负载多组分纳米粒子的多维组成空间。

图2. 通过计算成本低廉的模型获得的总体预测趋势

Exploring the Composition Space of High-Entropy Alloy Nanoparticles for the Electrocatalytic H₂/CO Oxidation with Bayesian Optimization, ACS Catalysis 2022. DOI: 10.1021/acscatal.2c02563