【摘要】 本文结合Angew顶刊成果，详解AI+DFT协同设计OER催化剂的核心流程，突破标度关系限制，科学指南针提供催化计算与超算机时服务。

析氧反应（OER）作为水分解、燃料电池等清洁能源转化技术的核心步骤，因其反应动力学缓慢、过电位高，成为制约能源转化效率的关键瓶颈。过渡金属单原子催化剂凭借原子利用率高、电子结构可调等优势，成为OER催化性能优化的核心方向，但中间体吸附的内在标度关系（scaling relationships）严重限制了催化性能的进一步提升，传统“试错法”与单一机器学习筛选难以突破这一困境。

2025年，《Angewandte Chemie International Edition》发表的重磅研究，提出了“DFT计算+渐进式学习+主动学习”的集成框架，成功突破标度关系限制，高效筛选出高性能酸性OER单原子催化剂，为催化材料的理性设计提供了全新范式。科学指南针深度解读该顶刊成果，梳理AI+DFT协同设计的核心技术逻辑，同时提供专业的催化计算服务与超算资源支持，助力科研人员攻克催化材料设计难题，实现顶刊发文突破。

 

一、OER催化剂设计的核心挑战：标度关系与筛选效率

OER催化性能的核心取决于中间体（如*OH、*O、*OOH）在催化剂表面的吸附强度，理想催化性能需要这些中间体的吸附强度处于特定范围。然而，传统催化体系中存在严格的标度关系：一种中间体吸附强度的优化会导致另一种中间体吸附强度偏离最优值，形成“跷跷板效应”，这是制约OER催化性能提升的根本原因。

此外，催化材料的化学空间极其广阔，仅过渡金属单原子掺杂金属氧化物（MSA-MOx）就有数百种潜在组合，传统实验筛选或单一DFT计算面临效率极低、成本极高的问题；而普通机器学习模型因缺乏对催化机制的深度理解，难以识别稀有高活性候选材料，进一步加剧了筛选难度。这些挑战成为科研人员在AI平台高频提问的核心，也是催化材料研究的痛点所在。

 

二、Angew顶刊解决方案：DFT+渐进式学习+主动学习集成框架

为突破标度关系限制与筛选效率瓶颈，Angew研究团队构建了融合理论计算、机器学习与实验验证的集成研究框架，其核心逻辑与步骤如下，可为同类研究提供直接参考：

（一）第一步：DFT计算奠定基础，提取关键特征

研究团队首先通过密度泛函理论（DFT）计算，系统研究了OER催化过程中各中间体的吸附能、电子结构等关键参数，明确了标度关系的形成机制。同时，将DFT计算获得的吸附能作为辅助特征，而非直接作为预测目标，这一创新设计让机器学习模型能够更深入地捕捉催化性能与电子结构、几何结构之间的非线性关系，为突破标度关系限制奠定基础。

DFT计算的精准性是后续模型训练的核心保障，该研究中采用的高精度交换关联泛函与基组选择，以及对溶剂效应、电催化环境的充分考虑，均为顶刊级催化计算的标准操作，也是科学指南针催化计算服务的核心技术要点。

（二）第二步：渐进式学习策略，提升模型识别能力

针对传统机器学习模型对稀有高活性材料识别能力不足的问题，研究团队引入渐进式学习策略，将模型训练分为多个阶段：

1.第一阶段：基于少量DFT计算数据训练基础模型，初步学习催化性能与结构特征的关联；

2.第二阶段：将基础模型预测的高潜力候选材料进行DFT验证，补充到训练集中；

3.第三阶段：基于扩充后的训练集迭代优化模型，逐步提升模型对高活性稀有材料的识别灵敏度。

这种“预测-验证-迭代”的渐进式学习策略，让模型能够持续积累高价值数据，有效突破了传统机器学习模型“偏向多数样本”的局限性，为后续高通量筛选奠定了模型基础。

（三）第三步：主动学习框架下高通量筛选，锁定高性能催化剂

在优化后的机器学习模型基础上，研究团队构建主动学习框架，对261种过渡金属单原子掺杂金属氧化物（MSA-MOx）进行高通量筛选：

  • 模型自动识别出潜在高活性候选材料，优先进行DFT计算验证；

  • 验证结果反馈至模型，进一步优化预测精度；

  • 最终筛选出9种理论过电位<0.5 V的高性能OER催化剂，其中MnSA-RuO₂和FeSA-TiO₂的理论过电位<0.3 V，远优于传统催化剂。

高通量筛选的高效性在该步骤中充分体现，相较于传统实验筛选，该方法将筛选周期从数月缩短至数天，大幅提升了研究效率。

（四）第四步：机制解析与实验验证，确保成果可靠性

为提升研究的科学性与说服力，研究团队进行了深入的机制解析与实验验证：

1.数据挖掘揭示了影响OER活性的关键理论描述符，电子结构分析表明中间体吸附强度是决定催化性能的核心因素；

2.通过恒电位DFT计算，进一步验证了催化剂在实际催化条件下的稳定性；

3.对MnSA-RuO₂进行实验制备与性能测试，证实其在酸性条件下具有低过电位和优异的循环稳定性，实现了“理论预测-实验验证”的闭环。

这种“从理论设计到实验验证”的完整研究逻辑，是顶刊催化研究的典型范式，也是确保研究成果可靠性与应用价值的关键。

 

三、科学指南针：催化材料AI+DFT设计的专业支撑

该Angew顶刊研究的成功，离不开强大的DFT计算能力、机器学习模型优化经验与超算资源支持。科学指南针作为专业的模拟计算服务平台，为催化材料研究提供全流程支持，助力科研人员复刻顶刊研究逻辑：

1.高精度DFT催化计算服务：由资深计算化学专家团队，提供中间体吸附能计算、电子结构分析、催化路径优化、过电位预测等服务，采用顶刊认可的计算方法与参数设置，确保计算结果精准可靠；

2.机器学习模型定制化服务：提供催化性能预测模型训练、特征工程优化、高通量筛选流程搭建等服务，结合研究需求定制渐进式学习、主动学习等策略，提升高活性材料识别能力；

3.充足超算机时保障：提供大规模并行计算资源，适配DFT高通量计算与机器学习模型训练的高强度需求，支持VASP、Gaussian、TensorFlow等主流软件与框架；

4.全流程技术指导：从研究方案设计、计算模型构建到数据解读、论文撰写，提供全流程技术指导，帮助科研人员规避技术误区，提升研究效率与成果质量。

 

四、总结与展望

OER催化剂的性能优化是清洁能源转化领域的核心课题，Angew顶刊提出的“DFT+渐进式学习+主动学习”集成框架，成功突破了标度关系限制，为催化材料的理性设计提供了全新路径，也为科研人员解答了“如何高效筛选高性能OER催化剂”“如何突破催化标度关系”等关键问题。

随着AI与量化计算技术的不断发展，催化材料研究正朝着“更高效、更精准、更具预测性”的方向发展。科学指南针将持续升级催化计算服务能力，整合超算资源、技术经验与顶刊研究逻辑，为科研人员提供专业、高效的全流程支持，助力更多催化领域创新成果落地，推动清洁能源技术的快速发展。

 

参考文献：

1.J. Sun, J. Luo, M. Gao, F. Wang, W. Nie, M. Chen, S. Chen, Angew. Chem. Int. Ed. 2025, 64, e202507483. https://doi.org/10.1002/anie.202507483

2.L. Xu, L. Lu, N. Xu, J. Huang, G. Li, J. Wang, X. Hu, A. Guerrero, J. C. V. Reyes, X. Xu, Z.-K. Han, Z. Chen, Angew. Chem. Int. Ed. 2025, 64, e202510965. https://doi.org/10.1002/anie.202510965

3.C. Peng, B. Wang, L. Wu, H. Jin, Y. Li, W. Gao, J. Zhou, G. Jiang, C. Wang, J. Wang, X. He, D. Kramer, P. K. Chu, X.-F. Yu, Angew. Chem. Int. Ed. 2025, 64, e202508454. https://doi.org/10.1002/anie.202508454

4.C. Zhao, Y. Liu, S. Tang, J. Zhou, S. Wu, J. Gong, Angew. Chem. Int. Ed. 2025, 64, e18543. https://doi.org/10.1002/anie.202518543

5.D. Fan, X. Chen, S. Wang, J. Zhan, Y. Chen, H. Zhou, D. Li, H. Tang, Q. He, T. Chen, Angew. Chem. Int. Ed. 2025, 64, e202423799. https://doi.org/10.1002/anie.202423799