科學通報AI入門系列 | 人工智能+原子級催化劑：推動能源轉化的新突破！

隨著全球能源轉型的加速，如何提升催化劑的效率成為科學研究的重點。原子級催化劑因其獨特的高金屬利用率和可調控的局部結構，在能源轉化、化工合成等領域展現出巨大的潛力。然而，開發高效的原子級催化劑仍面臨諸多挑戰。近年來，人工智能（AI）技術的引入為催化劑設計提供了全新的思路。近日，北京大學鄒如強教授團隊總結了AI驅動的原子級催化劑設計與自動化合成的最新進展，探討了AI如何推動能源轉化領域的創新突破。

在全球能源轉型的背景下，如何提高催化劑的效率，成為科學界的關鍵挑戰。原子級催化劑（ ALCs），如單原子催化劑（SACs）和雙原子催化劑（DACs），以其高金屬利用率和可調控的結構在能源轉化領域表現出了巨大的應用潛力。然而，傳統的催化劑設計方法面臨結構- 性能復雜性和高昂的實驗成本等挑戰。

那么，人工智能如何助力原子級催化劑的研發呢？

近年來，人工智能技術，特別是機器學習（ ML）、圖神經網絡（GNN）和大語言模型（LLM ），已開始在催化劑設計中發揮重要作用。這些技術能夠幫助我們高效篩選出潛在的高性能催化劑，大幅提高研發效率并降低實驗成本。

圖1用于原子級催化劑的AI技術

AI加速催化劑篩選與設計

機器學習通過建立結構-性能預測模型，能在海量的候選材料中快速識別出最具潛力的催化劑。例如，通過數據驅動的方法，研究人員可以在原子級別篩選出最適合的配位環境、金屬種類和載體結構，為催化劑的設計提供重要的理論支持。

圖神經網絡（GNN）則在催化劑設計中展現出了巨大的優勢。GNN通過圖結構表示催化體系的原子和鍵，不依賴于手工特征，可以自動學習催化反應中的重要關系。利用這種技術，研究人員能夠更好地理解催化劑在不同反應條件下的穩定性和反應性，甚至預測未知材料的催化性能。

LLM賦能：跨領域知識整合與自動化合成

LLM的出現為催化劑設計提供了新的動力。LLM不僅能夠從大量文獻中提取關鍵信息，構建統一的知識圖譜，還可以輔助催化劑的合成路徑預測和反應機制的揭示。通過自動化數據抽取和分析，LLM為催化劑設計提供了強有力的數據支持，加速了新材料的發現。

同時，AI驅動的自動化合成平臺也成為推動催化劑研發的重要工具。通過機器人合成和高通量測試，這些平臺能夠在統一的實驗條件下快速驗證催化劑的性能。更重要的是，自動化平臺通過實時數據分析和在線優化，加速了實驗驗證和優化過程。

圖2 基于opentrons的高通量液體移液平臺

未來展望：AI與自動化平臺深度融合，助力能源轉化革命

隨著AI技術的不斷進步，原子級催化劑的研發將更加智能化和高效化。通過將機器學習、圖神經網絡和大語言模型與自動化平臺結合，催化劑的篩選、合成和優化過程可以更加快速、精確。這不僅為能源轉化提供了更高效的解決方案，也為綠色制造和環境治理開辟了新的道路。未來，AI與自動化平臺的深度融合將進一步推動原子級催化劑從實驗室到工業應用的轉變。

文章信息

馮龍,夏怡然,馬冰冰,吳凱,周湛彬,田也,鐘瑞琴,陳為彬*,鄒如強*. 人工智能驅動的原子級催化劑設計與合成. 科學通報, 2026, doi: 10.1360/CSB-2025-5822

《科學通報》是 中國科學院主管、中國科學院和國家自然科學基金委員會共同主辦的綜合性中文學術期刊，致力于快速報道自然科學各學科基礎理論和應用研究的最新研究動態、消息、進展, 點評研究動態和學科發展趨勢。每10天出版1期；欄目包括進展、評述、快訊、論文、觀點、科技前沿、科學訪談、亮點述評、悅讀科學等。《科學通報》是《中國科技論文與引文數據庫》和《中國科學引文數據庫》的源期刊，同時被EI、ESCI和Scopus等收錄，入選中國科學院文獻情報中心分區表綜合性大類1區TOP期刊；中國科技期刊卓越行動計劃領軍期刊。

期刊官網：http://csb.scichina.com

轉載、投稿請留言

| 關注科學通報 | 了解科學前沿