由于近期在催化能源方面的优异表现，新一代全碳二维平面结构材料石墨炔相关的催化剂发展在李玉良老师团队的研究主导下得到了众多关注。作为可以媲美石墨烯的碳基负载，石墨炔由于其本征独特的结构特征和优异的化学性能，在原子催化剂领域备受关注，可以有效降低催化剂负载量，并达到接近100%的原子利用率。进一步，零价原子催化剂能够解决常规载体催化剂迁移和聚集以及价态不明晰的问题。近期，李玉良老师团队在零价单原子领域取得了重大突破，实现了Ni和Fe负载在石墨炔上，实现了超高的稳定性和催化活性的产氢催化剂。该工作为新型催化剂的合成提供了新思路。为了进一步寻找更多稳定且高活性的原子催化剂，如何有效地在大量过渡族金属以及镧系金属等候选者中筛选出最优选择仍是一项巨大的挑战。

机器学习即用机器利用相应的算法针对性学习数据中的模式和潜在信息。一般来说，机器学习可以分为监督学习和非监督学习。监督学习主要是通过对数据学习不断试错从而提高对数据模式预测的准确性。然而无监督学习则是另一种无预先设定目标的模式，主要通过对大量数据进行分类和聚集，从而解读其中潜在的数据模型和有效机制。目前机器学习也可应用于电催化剂模型的性能预测，主要以Nørskov等人提出的d-band中心为例子，主要通过材料的本征结构，基本电子态性质得到相应材料的催化活性指征参数。然而大量理论实验相结合的研究发现，目前单一参数表征催化剂材料活性并预测相应性质仍是需要进一步深入的完善。

图一： 所有过渡金属氧化还原势垒的筛选。

近期，香港理工大学的黄勃龙教授与中科院化学所李玉良院士、兰州大学严纯华院士通过理论计算指导实验的思想，提出了一种新颖的电催化剂筛选模式。该方法主要利用氧化还原势垒来定量描述电荷转移的难易程度和锚定金属与石墨炔的耦合作用。通过该有效模型，理论计算针对全部过渡金属以及稀土镧系金属进行了全面的分析和筛选，最终确定了Pd、Pt和Co最有可能实现高稳定性且高活性的单原子零价催化剂。不仅模拟中X射线吸收近边缘结构光谱与是测量光谱之间具有一致性，并且清晰描述了金属原子和底层支撑物之间的电荷转移，验证了其相互作用。该工作通过一种有效的手段高效地筛选出了一系列原子催化剂并与实验高度吻合，极大地增强了未来实验发展与合成的指向性。

除了提出的筛选模型之外，他们展望了如何借助智能机器学习进一步拓宽原子催化剂的发展。近些年来，随着大数据和智能学习等技术在各个研究方向的迅猛发展，该项技术已经成为了分析处理科研数据的一项有效方法，特别是图像处理等相关领域。机器学习能够从人类难以识别的图像中提取信息，例如在发光光谱领域的研究进展说了及学习能够进一步推动图像分辨率的极限。这些研究发展表明催化研究中有机会利用机器学习研究了各种形式的显微镜图像并进一步推进对其中隐藏信息的解读。相关机器学习人工智能等技术方面，去年我国课题组在该领域中就已发表论文超过27000篇，说明了机器学习的快速发展和潜力。机器学习技术很可能继续为催化研究增加价值。它们已经使研究人员能够对现有数据做更多的工作，并为获得新的相关数据提供更复杂的方法。在该工作中，作者借助石墨炔体系，大胆提出了相应的初步机器算法学习，并对复杂原子催化剂体系中的发展思路提出了展望，为未来进一步实现催化剂的合成和调控提供了有利的参考。

相关结果发表Nano Energy 上，文章的第一作者是香港理工大学的黄勃龙教授课题组博士生孙明子, 通讯作者为香港理工大学黄勃龙教授。合作团队为中科院化学所李玉良院士团队和兰州大学严纯华院士团队。