多元催化剂不仅具有庞大的组分空间，而且在单一组分下存在复杂多样的局域原子构型。理论计算通常采用单一最稳定结构预测材料性能，难以反映实际材料中广泛存在的随机原子排布与结构非均匀性，导致理论预测与实验性能之间存在偏差。因此，如何综合考虑多元催化剂中大量随机微观构型的性能分布，准确预测材料的宏观催化活性，并进一步确定最优元素组合及其配比，是实现多元催化剂精准设计亟待解决的问题。

针对这一问题，中国科学院上海硅酸盐研究所刘建军研究员、冉念副研究员联合北京航空航天大学周苇教授等，提出融合统计建模、机器学习和自主实验的多元催化剂设计新范式。研究团队建立统计描述符φ从多结构统计分布角度评估材料的宏观催化活性，并结合贝叶斯优化驱动的自主实验平台，实现了从元素组合筛选到组分比例优化的闭环材料发现。相关成果以“Statistical AI Enables Precise Screening of Multielement Catalysts”为题发表于《Journal of the American Chemical Society》。

研究团队基于阿伦尼乌斯方程和Butler–Volmer理论构建统计描述符φ，将不同微观构型对材料整体反应速率的贡献纳入统一统计框架。该描述符以满足热力学稳定性和高活性要求的构型比例为核心度量，将原子尺度的构型活性分布转化为宏观催化性能的概率表征。与依据单一最优构型评价元素组合的方法相比，该方法能够更加全面地反映多元催化剂的结构复杂性及性能分布。团队分别采用统计方法和单一结构方法筛选候选催化剂，并通过实验对筛选结果进行比较。结果表明，统计方法筛选高性能催化剂的准确率达到80%，较单一结构方法提高30%。

为支撑超大规模结构空间预测，研究团队进一步开发了序列等变图神经网络Seq-Equiformer模型。该模型在EquiformerV2中引入长短期记忆网络，将析氧反应中的不同中间态作为连续序列进行学习，可捕捉反应过程中结构和能量的动态变化。基于该模型，团队对3d过渡金属掺杂CoOOH体系约2.5亿种可能构型进行预测，基于统计描述符φ从162种元素组合中筛选出MnFeNiCu等6种高潜力候选组合。

在此基础上，研究团队利用贝叶斯优化驱动的自主实验平台，对MnFeNiCu体系的元素比例进行优化。该平台可自主完成材料制备与性能测试，并根据实验结果动态推荐下一轮配方，使模型决策、机器人制备、性能测试和数据反馈形成闭环。经过40轮实验、仅探索全部组分空间的0.44 %，平台便发现了Mn_0.07Fe_0.09Ni_0.14Cu_0.01Co_0.69OOH催化剂。该催化剂在100 mA cm^–2电流密度下的析氧过电位为246.5 mV，在1 A cm^–2的大电流密度下连续运行1000小时后仍保持98.5 %的活性，表现出优异的催化活性与稳定性。

该工作通过整合统计建模、机器学习和自主实验，实现了多元催化剂从庞大构型空间、优势元素组合到精准组分比例的逐级筛选，为复杂多元催化剂及其他功能材料的精准、高效和自主化研发提供了新思路。

上海硅酸盐所李成博为论文第一作者，冉念副研究员、周苇教授、刘建军研究员为论文共同通讯作者。该研究得到中国科学院专项、国家自然科学基金、上海市经济和信息化委员会科学智能专项和“百团百项”专项等项目的资助，依托上海硅酸盐所DREAM Lab智能实验室进行材料合成和表征。

论文链接：https://doi.org/10.1021/jacs.6c01781

图1统计描述符φ及整体工作流程图。（a）引入统计描述符φ以筛选高活性的OER催化剂，从而缩小模拟结果与实验结果之间的差距。（b）利用统计描述符φ进行筛选，从3d过渡金属掺杂的CoOOH数据集中识别出具有高催化活性的元素组合，随后利用自主实验平台对其组分比例进行优化。

图2模型探索空间数据集、Seq-Equiformer模型架构及模型评估。（a）利用采样技术从2.5亿个3d过渡金属掺杂CoOOH空间中提取代表性结构。（b）Seq-Equiformer模型架构。（c）EquiformerV2与Seq-Equiformer模型的测试性能。

图3基于统计描述符φ的元素组合筛选。（a）Seq-Equiformer计算的样本中预测过电位和掺杂吉布斯自由能变化的局部分布。（b）不同过电位下Mn、Fe、Ni和Cu的出现概率及其拟合曲线。（c）MnFeNiCu样本的过电位及掺杂吉布斯自由能变化分布。（d）排名前六的元素组合的φ值。（e）图3a中橙色点对应的高概率元素前四名（左）及其在元素组合中的出现情况（右）。（f）图3a中框选区域的放大图。

图4 CoOOH、FeCu、VFeCu、MnFeCu、VMnFeCu和MnFeNiCu体系的电子结构分析。（a）特定组合中氧吸附位点上的活性电子数及相应的φ值。（b）这些组合中O-2p的PDOS与活性电子数的比较。

图5 自主实验平台及催化剂合成。（a）自主实验平台全景图。（b）用于催化剂材料合成的自动化电沉积工艺及相关设备。（c）40次贝叶斯优化所得MnFeNiCuCoOOH的OER过电位。（d）最优样品Mn_0.07Fe_0.09Ni_0.14Cu_0.01Co_0.69OOH的能谱元素映射。（e）三种选定组合的最优样品对应的LSV曲线。

图6采用统计描述符φ进行材料筛选的效果。（a）不同方法筛选出的排名前10的催化剂的实验过电位中位数比较。（b）材料筛选精度的提升。