基于密度泛函理论的第一性原理计算，在催化领域的应用已超过20年之久。为使理论计算能够真正有助于理解催化反应过程及提高计算准确性，开发出d-band center 模型，computational hydrogen electrode (CHE)模型，degree of rate/selectivity control方法等，广泛应用于电催化、热催化反应。此外，scaling relations和BEP关系的普适性使得化学反应动力学计算、催化剂活性预测更加高效，有利于建立预测催化剂性能的途径。
2017年1月初，发表在Science期刊的“Combination Theory and Experiment in Electrocatalysis: Insights into Materials Design”1综述文章从理论与实验的视角系统性地归纳总结并讨论析氢反应/氢气氧化,氧还原/析氧反应，二氧化碳还原反应，氮气还原反应中新型催化剂材料的设计策略。
目前能够对催化活性的预测还是以简单的化学反应为主，从计算成本的角度考虑，这些反应的计算相对大分子催化转化要容易很多，主要原因在于反应路径比较少，体系也比较小。对于大分子或者复杂反应机理的转化反应，毫无疑问，仅靠人力对反应机理的设计是不能满足大规模催化剂预测与筛选的设计策略。
2017年3月初，在nature communications期刊发表题为“To address surface reaction network complexity using scaling relations machine learning and DFT calculations”2的文章，文章以合成气(CO+H2)在催化剂Rh(111)表面的反应为例，利用group additivity fingerprints结合过渡态scaling relations和简单的分类器构造了替代模型(surrogate model)，再使用该替代模型预测合成气反应最重要的反应决速步。机器学习过程中的传递误差，在密度泛函理论计算的不确定度之内。该文利用机器学习的方法结合DFT计算确定了合成气在铑金属催化剂表面的最优反应路径，对机器学习真正在计算催化领域应用迈出了实质性的一步。
连续型学习和反馈示意图，用来确定反应步的重要性
在2017年3月底，丰田研究所（Toyota Research Institute,TRI）联合斯坦福大学，麻省理工学院，密歇根大学，布法罗大学，康涅狄格大学以及英国的IIika材料科学公司在利用人工智能加速先进材料的设计和发现研究领域，未来4年中投资3500万美元。初期项目的目标在于帮助材料科学的革新，未来零排放和碳中性汽车中先进电池材料、燃料电池催化剂的鉴别。3
为了进一步支撑人工智能在更广泛新材料领域的推广与应用，TRI将在以下几个研究领域寻求合作者：
1.为电池和燃料电池开发新模型和材料；
2. 为设计和开发新材料，拓宽对机器学习、人工智能以及材料信息方法新颖用法的程序；
3.开发集成模拟计算、机器学习、人工智能以及机器人技术的新材料自动搜索系统。
从理论计算在催化领域的应用开始，到目前将机器学习、人工智能等大数据科学方法应用于对催化反应机理的理解以及对催化剂活性的预测和筛选，都将加深和促进并加速对材料科学、物化科学以及化工工业的影响。尤其此次丰田研究所联合诸多高校投资人工智能对新材料发现的研究，必将在未来几年对相关领域有革新作用。
参考文献：
[1]http://science.sciencemag.org/content/355/6321/eaad4998
[2]https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5343483/
[3]http://corporatenews.pressroom.toyota.com/releases/tri+artificial+intelligence+new+materials+march30.htm
致谢：非常感谢西安交通大学刘福柱博士的分享！
本文转载自催化开天地，转载目的在于知识分享，本文观点不代表V-suan云平台立场。
原创文章，作者：菜菜欧尼酱，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/12/01/e3d26e1ede/