2025年5月12日，天津大学和西南交通大学的研究团队在国际能源材料领域顶级期刊《Advanced Energy Materials》（影响因子24.4）发表了题为《Artificial Intelligence-Assisted Ultrafast High-Throughput Screening of High-Entropy Hydrogen Evolution Reaction Catalysts》的研究论文。该研究提出了一种融合大语言模型（LLM）与遗传算法（GA）的人工智能驱动的高通量筛选框架，结合高温热冲击（HTS）技术，实现高效HEA催化剂的设计与合成，显著提高了催化剂筛选效率。
这项工作为催化剂开发方式提供了一种范式转变策略，将计算智能与自主实验相结合，大幅缩短了研发周期，也为可持续能源应用中多组分催化剂的合理设计开辟了高效路径。
论文解读
PAPER INTERPRETATION
摘要高熵合金（HEA）催化剂的开发受到其复杂组分设计所固有的“组合爆炸”挑战的阻碍。本研究提出了一种人工智能辅助的高通量框架，该框架结合了大型语言模型（LLMs）进行文献挖掘和遗传算法（GAs）进行迭代优化，以克服这一挑战。在此，LLMs分析了14,242篇出版物，识别出10种关键的析氢反应（HER）活性元素（FeCoNiPt等），将候选池缩小至126种基于Pt的高熵合金组合。通过使用超快高温热冲击技术进行超快高通量材料合成和筛选，GA驱动的实验优化了这一子集，仅需4次迭代（24个样本）即可实现收敛，与传统GA方法相比，效率提高了60%。的IrCuNiPdPt/C催化剂在10 mA cm?²和100 mA cm?²电流密度下展现出创纪录的低析氢过电位，分别为25.5 mV和119 mV，分别优于商业Pt/C催化剂49%和18%，并展现出300小时的稳定性且衰减可忽略不计。这项工作建立了一种范式转变策略，将计算智能与自主实验相结合，将发现时间从数千年缩短至数小时，为可持续能源应用中多组分催化剂的合理设计提供了可能。02
核心要点●高效催化剂筛选框架的构建。本研究通过整合大型语言模型（LLMs）与遗传算法（GA），构建了高熵合金（HEA）催化剂的高效筛选框架。传统暴力搜索法（BF）需从90种金属元素中筛选五元组合，候选池达4395万种，以每日10个样本的速率需耗时约1.2万年。而LLMs通过文献挖掘将候选元素压缩至10种（FeCoNiPt等），结合铂基设计生成126种候选组合；GA通过四轮迭代（24个样本）快速锁定组分，结合超快高温热冲击（HTS）技术（15分钟/样本），整体筛选周期缩短至6小时。这一策略通过智能数据降维与实验自动化，解决了HEA设计中的“组合爆炸”难题，为多组分催化剂的理性设计提供了新范式。
●文献驱动的元素筛选与模型优化。基于LLMs的文献分析框架包含文献筛选知识库构建模型微调与应用四个阶段。通过Web of Science数据库检索7.9万篇文献，经出版年份（2000-2024）引用率（>10次/年）及LLMs二次筛选，最终获得1225篇HEA相关研究。统计发现，非贵金属中FeCoNi出现频率最高，而贵金属中Pt占比显著。基于此，研究选择Pt为基底，结合高频元素构建候选库。通过InternLM 2.5模型与低秩自适应（LoRA）微调，模型可智能推荐HER活性元素及实验策略，实现从海量文献到实验设计的闭环优化。
●超快合成技术对材料结构的调控。采用HTS技术在300 ms内以2000 K/s的升温速率实现前驱体快速合金化，并通过均匀冷却（600K/s）抑制颗粒粗化。透射电镜（TEM）显示，HTS合成的PtNiIrPdCu/C颗粒尺寸均一（≈5nm），元素分布高度均匀；而传统管式炉（TF）合成样品因奥斯特瓦尔德熟化导致严重团聚。XRD图谱未检测到元素偏析相，表明超快动力学抑制了相分离，形成单一固溶体结构。这种结构均一性为多元素协同效应奠定了基础，显著提升了催化活性。
●遗传算法引导的组分优化。基于GA的迭代优化流程从126种候选组合中筛选出催化剂。初始六组随机组合的过电位分布广泛（20-160 mV），热图分析进一步揭示元素组合对活性的显著影响。通过四轮迭代，保留高活性元素并替换低效组分，最终获得IrCuNiPdPt/C催化剂，其过电位（25.5 mV 10 mA/cm²）较初始组合降低80%。20次独立优化试验验证了方法的鲁棒性，实验迭代次数减少60%，且结果高度一致。
●催化剂结构-性能关联与机理分析。XRD与高分辨TEM（HRTEM）显示，IrCuNiPdPt/C的（111）晶面间距（0.21 nm）较纯Pt（0.226nm）收缩7.1%，归因于IrNi等小原子半径元素引起的晶格压缩应变。几何相位分析（GPA）证实颗粒内部存在非均匀应变，这种应变通过调整Pt的d带中心（XPS显示Pt0结合能负移），削弱氢中间体（H*）吸附能（ΔGH*），从而加速Volmer与Heyrovsky步骤。HAADF-STEM与EDS图谱（图5d）证明PtIrNiPdCu元素均匀分布，ICP-MS与XPS进一步验证了组分稳定性。此外，催化剂的双电层电容（Cdl=36.2 mF/cm²）为商用Pt/C的7.5倍，表明其高活性比表面积；300小时稳定性测试中过电位衰减可忽略，ICP-MS显示Ni溶出量极低（<7μg/L），证实材料在酸性环境中的耐久性。03
总结展望该研究通过LLM引导的知识挖掘与GA驱动的实验优化，构建了“计算智能-自主实验”闭环框架，解决了HEA催化剂设计的维度灾难问题。LLM从海量文献中提炼关键元素，大幅缩小搜索空间；GA迭代优化结合HTS高通量合成，将研发效率提升至传统方法的40%。所得催化剂性能创纪录，验证了多元素协同效应与结构均一性的重要性。这一策略不仅为高效催化剂设计提供了新范式，更将材料发现周期从“千年”缩短至“小时”，为可持续能源材料开发开辟了高效路径。未来，该框架可扩展至其他多组分功能材料体系，加速清洁能源技术转化。
欧世盛助力催化剂高效筛选
高熵合金（HEA）催化剂因其复杂的组分设计面临“组合爆炸”的挑战，极大地阻碍了其发展进程。析氢反应（HER）作为水电解制氢技术的关键环节，其催化效率直接关系到氢能源产业的可持续发展，还对多个产业产生深远影响。因此，开发高效稳定的新型HER催化剂具有重要意义。
析氢反应（HER）是指在电化学条件下，水分子在电极表面被还原为氢气的过程，其在氢燃料电池电解水制氢工业制氢环境修复新兴储能等领域都具有重要应用。
尽管HER具有广泛的应用前景，但其在实际应用中仍面临诸多挑战，如催化剂成本高昂反应效率有待提升以及催化剂稳定性需进一步增强等。因此，高效的催化剂筛选与评估工具显得至关重要。
欧世盛公司凭借其在流动化学及微反应技术领域的深厚积累，围绕催化剂研究领域，结合自动化及AI技术，打造了贯穿液固配液平台催化剂制备自动过滤自动干燥自动造粒筛分焙烧自动装填催化剂自动评价自动检测及数据收集与反馈等环节的全流程解决方案，为催化剂的筛选与优化提供强大的技术支持。
参考资料1西南交大化学学院《AI赋能催化剂闪电发现：天津大学与西南交通大学团队研究成果在国际能源材料领域顶级期刊刊发》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
