浙工大化工李小年团队深度学习辅助过渡金属氧化物催化剂设计用于乙炔选择性加氢
选择性加氢是工业催化领域最重要的基础化学转化之一，广泛应用于石油化工、煤化工和精细化工行业。其中，实现大宗化学品分子内不饱和官能团的高效加氢，同时抑制目标产物深度加氢，是选择加氢反应面临的最重大挑战之一。过渡金属氧化物催化剂因结构可调、稳定性高、成本低廉，成为传统贵金属催化剂的潜在替代方案，但单一金属氧化物的电子结构和吸附性能刚性限制了其催化性能。掺杂金属氧化物虽能实现不饱和官能团特异性识别，改善吸附强度，却仍依赖研究人员知识与经验判断，难以实现高通量、系统性的材料发现。基于此，亟需高性能、高选择性催化剂的高通量开发新范式。
近日，浙江工业大学化学工程学院李小年/张群峰/王清涛团队创新开发了基于MatterGen框架优化的深度学习模型，结合DFT计算，精准筛选出1.1~1.4 eV带隙范围的高效金属氧化物催化剂。研究通过构建DFT计算与深度学习的X−Ti−O系列催化剂筛选流程，从1206种生成材料中筛选出目标候选物，为后续实验提供了精准靶向的候选催化剂。实验证明筛选出的催化剂在75℃下实现了>99%乙炔转化率和>99%乙烯选择性，性能优于传统Pd基催化剂。表征揭示了最优的Cu-O-Ti结构的p-π杂化耦合机制，在强化乙炔吸附的同时抑制了乙烯过度加氢，并明确了氢异裂的低能垒路径。本研究为非贵金属氧化物催化剂合理设计提供了新策略，公开的模型训练权重与晶体数据，为乙炔选择性加氢催化剂的高通量开发提供新范式。
图1 深度学习引导的材料发现
图2 X−Ti−O材料的合成与性能评估
图3 Cu−O−Ti结构的分子吸附机制
相关研究成果以“Deep Learning Guided Exploration of Transition Metal Oxide Catalysts in Acetylene Selective Hydrogenation” 为题在线发表在Journal of the American Chemical Society期刊上，浙江工业大学为第一单位，化工学院李小年教授、张群峰研究员以及青年教师王清涛为共同通讯作者。该工作得到区域联合重点基金项目、国家自然科学基金的支持。
