周光敏Nature Catalysis：机器学习辅助设计二元描述符，破译硫反应动力学的电子和结构效应

向锂硫电池中引入高活性催化剂，例如过渡金属化合物（TMC），已被证明是提高反应动力学的有效策略。TMC的金属中心具有部分填充的d轨道，被认为是催化反应的活性中心，其与多硫化锂中硫p轨道之间的d-p轨道杂化状态，已被广泛用于分析催化效应机制。然而非金属与多硫化锂中锂之间的相互作用，虽然在不同TMC催化剂中普遍存在，却一直缺乏深入理解。

在此，清华大学深圳国际研究生院周光敏教授团队基于密度泛函理论与机器学习算法，提出可用于筛选锂硫电池TMC催化剂的二元描述符。该二元描述符由能带匹配指数（IBand）与晶格错配指数（ILatt）组成，分别描述了电子状态与几何结构对于催化效应的贡献。文章以镍基TMC催化剂为模型体系验证二元描述符，成功揭示了TMC催化剂非金属位点在多硫转化动力学中的作用。研究发现IBand与ILatt分别与吸附过程及反应过程相关联，具有适中IBand与最小ILatt的NiSe₂，被预测可有效提升硫反应动力学。

经实验验证，基于NiSe₂组装的锂硫电池，可在15.0 mg cm^-2的硫面负载或-20℃的低温下实现良好的循环稳定性，并且采用添加NiSe₂的正极，可在高硫载量与贫电解液条件下，构筑402 Wh kg^-1的软包电池。

图1. 从电子效应角度揭示TMC催化剂中非金属的影响机制

总之，该工作应用DFT在考虑催化体系的电子和结构特性的同时鉴定了经过实验验证的BD，以指导锂硫电池高效催化剂的设计，并且提出IBand和ILatt作为筛选锂硫电池中TMC催化剂的电子效应和结构效应描述符。

此外，本文采用机器学习方法，基于IBand和ILatt构建二元描述符。通过同时考虑轨道耦合和晶格畸变效应，更全面地理解催化活性影响机制。最后基于筛选出的NiSe₂催化剂组装Ah级锂硫软包电池，在17.3mg cm^-2高硫面载量和4 μL mg^-1 贫电解液条件下，可实现402 Wh kg^-1高能量密度。因此，拟议的BD由电子和结构方面组成，为分析LiPS转化和设计高效催化剂提供了一个合理的观点，并可作为通用描述符进一步应用于其他TMC。

图2. TMC催化剂中非金属对电化学性能的影响

Machine-learning-assisted design of a binary descriptor to decipher electronic and structural effects on sulfur reduction kinetics, Nature Catalysis 2023，DOI:10.1038/s41929-023-01041-z