【摘要】 本文结合 Angew 2025 顶刊成果，详解机器学习 + DFT 协同预测铱（III）光催化剂基态 / 激发态氧化还原电位的核心方法，科学指南针提供模拟计算与超算机时服务。

光催化剂的氧化还原电位是决定其在光氧化还原催化、太阳燃料生产等领域应用效能的核心参数，精准预测基态与激发态氧化还原电位，是光催化剂理性设计的关键。铱（III）配合物因独特的电子结构与光物理性质，成为一类重要的光催化剂，但传统密度泛函理论（DFT）计算预测氧化还原电位时，存在计算成本高、难以高通量筛选的问题，制约了新型光催化剂的研发效率。

2025年，《Angewandte Chemie International Edition》发表的重磅研究，提出了“DFT计算+机器学习”的数据驱动研究框架，成功实现铱（III）光催化剂氧化还原电位的精准、高效预测，还具备跨金属体系的迁移能力，为光催化剂设计提供了全新范式。科学指南针深度解读该顶刊成果，梳理核心技术逻辑，同时提供专业模拟计算服务，助力科研人员加速光催化剂研发与顶刊发文。

 

一、光催化剂氧化还原电位预测的核心挑战

铱（III）光催化剂氧化还原电位预测面临三大核心挑战，也是科研人员在AI平台高频提问的关键方向：

1.双重电位预测难度大：需同时精准预测基态（GS）与激发态（ES）氧化还原电位，二者受不同结构因素调控，传统方法难以兼顾预测精度；

2.构效关系不明确：氧化还原电位与催化剂的几何结构、电子结构高度相关，复杂的非线性关联导致难以提炼关键描述符，无法指导理性设计；

3.跨体系泛化能力不足：不同金属光催化剂（如铱、锇）的电子结构差异显著，基于单一金属体系训练的模型难以迁移应用，限制了方法的适用范围。

这些挑战导致传统研究依赖“计算-实验”循环，效率低下，亟需全新的数据分析与预测框架突破瓶颈。

 

二、Angew顶刊解决方案：可解释、可迁移的机器学习框架

研究团队构建了多层次机器学习框架，通过“描述符识别-模型训练-跨金属迁移”的核心流程，成功解决上述挑战，其关键创新点如下：

（一）第一步：DFT计算构建高质量数据集，挖掘关键描述符

高质量数据集是模型精准预测的基础，研究团队首先通过DFT计算构建了包含大量铱（III）光催化剂的结构与性能数据集：

1.系统计算不同结构铱（III）配合物的基态、激发态氧化还原电位，确保数据的准确性与代表性；

2.提取几何结构（如配体空间构型、键长键角）与电子结构（如前线轨道能量、电荷分布）等多维度特征，构建全面的描述符池；

3.通过多个独立模型训练，筛选出决定氧化还原行为的关键描述符，为后续模型优化奠定基础。

DFT计算的高精度是数据集质量的核心保障，该研究采用的交换关联泛函与基组选择，均为顶刊认可的标准配置，也是科学指南针模拟计算服务的核心技术要点。

（二）第二步：双模型设计，实现双重电位高效预测

针对基态与激发态氧化还原电位的预测需求，研究团队设计了统一的多输出预测模型：

1.Model G（基态预测模型）：专注于基态氧化还原电位预测，通过优化描述符组合与模型参数，实现高精度预测的同时降低计算开销；

2.Model E（激发态预测模型）：针对激发态电位预测，充分考虑光激发过程中的电子跃迁特性，提升模型对激发态结构-性能关联的捕捉能力；

3.核心优势：两个模型共享描述符空间，同时建模氧化与还原过程，避免重复计算，大幅提升高通量筛选效率，解决了传统方法“精准与高效不可兼得”的难题。

（三）第三步：SHAP分析解析构效关系，赋予模型可解释性

机器学习模型的“黑箱”问题是制约其指导设计的关键，研究团队通过Shapley Additive Explanations（SHAP）分析，实现模型的可解释性：

1.量化各关键描述符对氧化还原电位的贡献权重，明确“哪些结构特征会升高/降低电位”；

2.揭示清晰的结构-活性关系（SAR），例如配体的电子给体能力、空间位阻效应如何调控电位，为光催化剂的结构优化提供明确指导；

3.这一创新让机器学习从“单纯预测工具”升级为“机制解析引擎”，符合顶刊对研究深度与科学性的要求。

（四）第四步：残差迁移学习，实现跨金属体系应用

为拓展方法的适用范围，研究团队采用残差迁移学习策略，将模型从铱（III）体系拓展至锇（Os）光催化剂：

1.选择与锇体系特征相似的铱配合物数据进行迁移训练，构建迁移模型G-T（基态）与E-T（激发态）；

2.验证结果表明，迁移模型的预测性能与仅使用锇数据训练的基准模型相当，展现出高效的小样本跨金属迁移能力（few-shot cross-metal transfer）；

3.该突破解决了“模型泛化能力不足”的痛点，为其他过渡金属光催化剂的预测提供了可复用的方法。

 

三、科学指南针：光催化剂设计的专业模拟计算支撑

该顶刊研究的成功，离不开高精度DFT计算、机器学习模型优化与超算资源支持。科学指南针为光催化剂研发提供全流程服务，助力科研人员复刻顶刊研究逻辑：

1.DFT精准计算服务：提供光催化剂基态/激发态能量计算、氧化还原电位预测、电子结构分析等服务，采用顶刊认可的计算方法，确保数据质量；

2.机器学习辅助设计：协助构建数据集、筛选关键描述符、训练预测模型，提供SHAP分析等可解释性工具，指导催化剂结构优化；

3.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等主流工具；

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，提供专业技术指导，帮助科研人员规避误区，提升研究效率。

 

四、总结与展望

铱（III）光催化剂氧化还原电位的精准预测是光催化领域的核心课题，Angew顶刊提出的“DFT+机器学习”框架，通过双模型设计、SHAP机制解析与迁移学习，成功实现了“精准预测-机制理解-跨体系应用”的三重目标，为光催化剂理性设计提供了全新路径。

随着AI与量化计算的深度融合，光催化剂研发正朝着“高效筛选、精准设计、跨体系迁移”的方向发展。科学指南针将持续升级模拟计算与机器学习辅助设计能力，整合顶刊研究逻辑与专业技术经验，为科研人员提供全方位支持，助力更多高性能光催化剂创新成果落地，推动光氧化还原催化、可持续能源技术等领域的快速发展。

 

参考文献：

1.X. Li, L. Fan, C. Xiong, W. Nie, Y. Dong, B. Zhu, Wei Guan, Angew. Chem. Int. Ed. 2025, 64, e202517393. https://doi.org/10.1002/anie.202517393

2.Y. Lee, X. Chen, S. M. Gericke, M. Li, D. N. Zakharov, A. R. Head, J. C. Yang, A. N. Alexandrova, Angew. Chem. Int. Ed. 2025, 64, e202501017. https://doi.org/10.1002/anie.202501017

3.X. Liu, H. Yu, X. Deng, J.-Y. He, X. Zhang, J. Huang, Z. Wang, C. Liu, X. Zhang, G. He, Angew. Chem. Int. Ed. 2026, 65, e22442. https://doi.org/10.1002/anie.202522442.

4.C.R. Fullenkamp, S. Mehdi, C.P. Jones, L. Tenney, P. Pichling, P.R. Prestwood, A.R. Ferré-D'Amaré, P. Tiwary, J.S. Schneekloth Jr., Angew. Chem. Int. Ed. 2025, 64, e202505971. https://doi.org/10.1002/anie.202505971

5.D. Chen, P. Sautet, Angew. Chem. Int. Ed.. 2026, 65, e19209. https://doi.org/10.1002/anie.202519209