加速催化剂设计，上海交大贺玉莲课题组基于 AutoML 进行知识自动提取
内容提要
上海交通大学密西根学院的研究人员发表了一篇题为「Interpreting Chemisorption Strength with AutoML-based Feature Deletion Experiments」的研究论文，提出了一种基于自动机器学习的特征删除实验方法，用于确定决定催化剂表面反应物的化学吸附能量的关键物理量。研究结果表明，吸附位点的局部几何信息对化学吸附能量的影响很大。这种基于AutoML的特征分析方法可以揭示复杂物理科学中统计特征重要性，对催化领域具有重要意义。人工智能技术在催化剂设计和优化方面的应用也有望提高效率和性能。
延伸解读
AutoML特征删除：平衡模型复杂性与可解释性
传统可解释人工智能（XAI）方法常面临模型复杂性与可解释性之间的权衡，而本研究提出的AutoML引导的特征删除实验，通过比较不同特征集的预测性能来提取物理见解，避免了深入理解机器学习算法内部数学结构的需求。这种方法将科学见解的来源从阐明模型行为转移到评估特征集性能，最小化了人为干扰，为复杂物理科学中的知识发现提供了新思路。
局部几何信息主导化学吸附能量
研究发现，对于二元合金催化剂表面，吸附位点的局部几何信息是决定化学吸附能Eads的关键物理量，其重要性超过合金的本征电子或物理化学性质。具体而言，从特征集中删除几何特征导致MAE增加约0.4 eV，而删除电子特征仅增加约0.04 eV。这一结论在Ftotal和F21特征集上均得到一致验证，表明几何因素在催化吸附中扮演着核心角色。
原子半径B：一个突出的物理化学特征
在物理化学特征中，合金组分B的原子半径表现出特别突出的重要性。无论删除顺序如何，移除原子半径B都会导致MAE增加约0.1 eV。研究人员认为，这可能与双金属纳米晶体中的“配体”或“应变”效应有关：将第二金属B引入主金属基体A中，可能引起电子状态和/或晶格应变的显著变化，从而影响化学吸附强度。这一发现为合金催化剂设计提供了具体指导。
AI加速催化剂设计：从预测到实验闭环
文章指出，人工智能技术正逐步应用于催化剂设计，包括晶体结构预测、化学反应优化、高通量材料筛选和智能实验设计等。例如，2023年北海道大学的研究人员利用外推机器学习方法，通过44个闭环循环（ML预测+实验）测试了300种催化剂，发现了100多种性能优于传统催化剂的材料。这些案例表明，AI有望显著提高催化剂的设计和合成效率，推动化学领域的发展。
Q&A
这项研究的主要创新点是什么？
研究提出了一种基于自动机器学习的特征删除实验方法，用于确定催化剂表面反应物的化学吸附能量的关键物理量。
吸附位点的局部几何信息对化学吸附能量的影响有多大？
研究表明，吸附位点的局部几何信息对化学吸附能量的影响显著，是决定化学吸附能量的关键物理量。
人工智能在催化剂设计中的应用前景如何？
人工智能有望提高催化剂的设计和合成效率，加速新型催化剂的发现和应用，推动化学领域的发展。
研究中使用了什么样的数据集进行验证？
研究使用了一个高通量密度泛函理论计算的解离化学吸附能数据集作为基准，包含了多种吸附物的Eads值。
AutoML引导的知识提取方法有什么优势？
该方法避免了模型复杂性与可解释性之间的折衷，能够通过比较不同特性集的性能来收集物理洞察力。
研究如何减少催化剂设计中的复杂性？
研究选择双原子分子吸附剂以减少复杂性，集中于催化剂的表面行为，从而简化分析过程。
