电催化技术是实现可持续能源转化和碳减排的关键。然而，电催化反应的活性相结构受环境影响复杂多变，传统算法难以高效探索。北京大学深圳研究生院潘锋教授团队与厦门大学李剑锋、郑世胜团队合作，提出了一种基于图论结构化学、拓扑数据分析和机器学习力场的自动化多相催化活性相探索框架，为多相催化反应机理研究和材料设计提供了新途径。该成果发表在《自然·通讯》期刊。
该框架的核心在于一种基于代数拓扑持续同调理论的采样算法（PH-SA）。PH-SA通过自下而上的方法检测空间中可能的吸附/嵌入位点，能够探索表面、亚表面甚至体相与活性物种间的相互作用，适用于周期性和非晶态结构。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
(图：基于持久同调的采样算法（PH-SA）的概述和活性相探索的总体框架)
研究团队利用该框架对Pd-H和Pt-O两个体系进行了验证。在Pd-H体系中，PH-SA筛选了超过5万种氢吸附/嵌入构型，并利用机器学习力场计算了不同氢浓度下的活性相分布，揭示了Pd(100)表面在电化学条件下的重构机制与CO2电还原活性增强之间的关联。在Pt-O体系中，该方法分析了超过10万种Pt纳米团簇的氧化构型，发现了氧浓度增加导致Pt-O配位结构形成，进而降低氧还原反应活性的现象，与实验结果高度吻合。
(图：不同H浓度的PdHx体系结果分析)
(图：不同O浓度的PtOx体系结果分析)
该研究表明，PH-SA有效弥补了传统采样方法的不足，结合机器学习力场的高效计算，实现了大规模结构空间的自动化探索。该方法具有广泛的应用前景，可推广至其他复杂催化体系。潘锋、郑世胜和李剑锋为本文通讯作者，郑世胜和张希铭为第一作者。该研究得到国家自然科学基金等项目的资助。
