2025年5月12日，天津大學和西南交通大學的研究團隊在國際能源材料領域頂級期刊《Advanced Energy Materials》（影響因子24.4）發表了題為《Artificial Intelligence-Assisted Ultrafast High-Throughput Screening of High-Entropy Hydrogen Evolution Reaction Catalysts》的研究論文。該研究提出了一種融合大語言模型（LLM）與遺傳算法（GA）的人工智能驅動的高通量篩選框架，結合高溫熱沖擊（HTS）技術，實現高效HEA催化劑的設計與合成，顯著提高了催化劑篩選效率。
這項工作為催化劑開發方式提供了一種范式轉變策略，將計算智能與自主實驗相結合，大幅縮短了研發周期，也為可持續能源應用中多組分催化劑的合理設計開辟了高效路徑。
論文解讀
PAPER INTERPRETATION
摘要高熵合金（HEA）催化劑的開發受到其復雜組分設計所固有的“組合爆炸”挑戰的阻礙。本研究提出了一種人工智能輔助的高通量框架，該框架結合了大型語言模型（LLMs）進行文獻挖掘和遺傳算法（GAs）進行迭代優化，以克服這一挑戰。在此，LLMs分析了14,242篇出版物，識別出10種關鍵的析氫反應（HER）活性元素（FeCoNiPt等），將候選池縮小至126種基于Pt的高熵合金組合。通過使用超快高溫熱沖擊技術進行超快高通量材料合成和篩選，GA驅動的實驗優化了這一子集，僅需4次迭代（24個樣本）即可實現收斂，與傳統GA方法相比，效率提高了60%。的IrCuNiPdPt/C催化劑在10 mA cm?²和100 mA cm?²電流密度下展現出創紀錄的低析氫過電位，分別為25.5 mV和119 mV，分別優于商業Pt/C催化劑49%和18%，并展現出300小時的穩定性且衰減可忽略不計。這項工作建立了一種范式轉變策略，將計算智能與自主實驗相結合，將發現時間從數千年縮短至數小時，為可持續能源應用中多組分催化劑的合理設計提供了可能。02
核心要點●高效催化劑篩選框架的構建。本研究通過整合大型語言模型（LLMs）與遺傳算法（GA），構建了高熵合金（HEA）催化劑的高效篩選框架。傳統暴力搜索法（BF）需從90種金屬元素中篩選五元組合，候選池達4395萬種，以每日10個樣本的速率需耗時約1.2萬年。而LLMs通過文獻挖掘將候選元素壓縮至10種（FeCoNiPt等），結合鉑基設計生成126種候選組合；GA通過四輪迭代（24個樣本）快速鎖定組分，結合超快高溫熱沖擊（HTS）技術（15分鐘/樣本），整體篩選周期縮短至6小時。這一策略通過智能數據降維與實驗自動化，解決了HEA設計中的“組合爆炸”難題，為多組分催化劑的理性設計提供了新范式。
●文獻驅動的元素篩選與模型優化。基于LLMs的文獻分析框架包含文獻篩選知識庫構建模型微調與應用四個階段。通過Web of Science數據庫檢索7.9萬篇文獻，經出版年份（2000-2024）引用率（>10次/年）及LLMs二次篩選，最終獲得1225篇HEA相關研究。統計發現，非貴金屬中FeCoNi出現頻率最高，而貴金屬中Pt占比顯著。基于此，研究選擇Pt為基底，結合高頻元素構建候選庫。通過InternLM 2.5模型與低秩自適應（LoRA）微調，模型可智能推薦HER活性元素及實驗策略，實現從海量文獻到實驗設計的閉環優化。
●超快合成技術對材料結構的調控。采用HTS技術在300 ms內以2000 K/s的升溫速率實現前驅體快速合金化，并通過均勻冷卻（600K/s）抑制顆粒粗化。透射電鏡（TEM）顯示，HTS合成的PtNiIrPdCu/C顆粒尺寸均一（≈5nm），元素分布高度均勻；而傳統管式爐（TF）合成樣品因奧斯特瓦爾德熟化導致嚴重團聚。XRD圖譜未檢測到元素偏析相，表明超快動力學抑制了相分離，形成單一固溶體結構。這種結構均一性為多元素協同效應奠定了基礎，顯著提升了催化活性。
●遺傳算法引導的組分優化。基于GA的迭代優化流程從126種候選組合中篩選出催化劑。初始六組隨機組合的過電位分布廣泛（20-160 mV），熱圖分析進一步揭示元素組合對活性的顯著影響。通過四輪迭代，保留高活性元素并替換低效組分，最終獲得IrCuNiPdPt/C催化劑，其過電位（25.5 mV 10 mA/cm²）較初始組合降低80%。20次獨立優化試驗驗證了方法的魯棒性，實驗迭代次數減少60%，且結果高度一致。
●催化劑結構-性能關聯與機理分析。XRD與高分辨TEM（HRTEM）顯示，IrCuNiPdPt/C的（111）晶面間距（0.21 nm）較純Pt（0.226nm）收縮7.1%，歸因于IrNi等小原子半徑元素引起的晶格壓縮應變。幾何相位分析（GPA）證實顆粒內部存在非均勻應變，這種應變通過調整Pt的d帶中心（XPS顯示Pt0結合能負移），削弱氫中間體（H*）吸附能（ΔGH*），從而加速Volmer與Heyrovsky步驟。HAADF-STEM與EDS圖譜（圖5d）證明PtIrNiPdCu元素均勻分布，ICP-MS與XPS進一步驗證了組分穩定性。此外，催化劑的雙電層電容（Cdl=36.2 mF/cm²）為商用Pt/C的7.5倍，表明其高活性比表面積；300小時穩定性測試中過電位衰減可忽略，ICP-MS顯示Ni溶出量極低（<7μg/L），證實材料在酸性環境中的耐久性。03
總結展望該研究通過LLM引導的知識挖掘與GA驅動的實驗優化，構建了“計算智能-自主實驗”閉環框架，解決了HEA催化劑設計的維度災難問題。LLM從海量文獻中提煉關鍵元素，大幅縮小搜索空間；GA迭代優化結合HTS高通量合成，將研發效率提升至傳統方法的40%。所得催化劑性能創紀錄，驗證了多元素協同效應與結構均一性的重要性。這一策略不僅為高效催化劑設計提供了新范式，更將材料發現周期從“千年”縮短至“小時”，為可持續能源材料開發開辟了高效路徑。未來，該框架可擴展至其他多組分功能材料體系，加速清潔能源技術轉化。
歐世盛助力催化劑高效篩選
高熵合金（HEA）催化劑因其復雜的組分設計面臨“組合爆炸”的挑戰，極大地阻礙了其發展進程。析氫反應（HER）作為水電解制氫技術的關鍵環節，其催化效率直接關系到氫能源產業的可持續發展，還對多個產業產生深遠影響。因此，開發高效穩定的新型HER催化劑具有重要意義。
析氫反應（HER）是指在電化學條件下，水分子在電極表面被還原為氫氣的過程，其在氫燃料電池電解水制氫工業制氫環境修復新興儲能等領域都具有重要應用。
盡管HER具有廣泛的應用前景，但其在實際應用中仍面臨諸多挑戰，如催化劑成本高昂反應效率有待提升以及催化劑穩定性需進一步增強等。因此，高效的催化劑篩選與評估工具顯得至關重要。
歐世盛公司憑借其在流動化學及微反應技術領域的深厚積累，圍繞催化劑研究領域，結合自動化及AI技術，打造了貫穿液固配液平臺催化劑制備自動過濾自動干燥自動造粒篩分焙燒自動裝填催化劑自動評價自動檢測及數據收集與反饋等環節的全流程解決方案，為催化劑的篩選與優化提供強大的技術支持。
參考資料1西南交大化學學院《AI賦能催化劑閃電發現：天津大學與西南交通大學團隊研究成果在國際能源材料領域頂級期刊刊發》2Ziqi Fu,Pengfei Huang,Xiaoyang Wang,Wei-Di Liu,Lingchang Kong,Kang Chen,Jinyang Li,Yanan Chen.(2025).Artificial Intelligence-Assisted Ultrafast High-Throughput Screening of High-Entropy Hydrogen Evolution Reaction Catalysts.Advanced Energy Materials;DOI:10.1002/aenm.202500744
