本报讯  10月24日，中国科大化学与材料科学学院、精准智能化学全国重点实验室的李微雪教授，受邀在Nature Catalysis的News & Views专栏上，发表题为“A data-driven leap towards stable catalysts”的文章，来自合肥微尺度物质科学国家研究中心的胡素磊教授为该文的第一作者。文章在对同期发表的一篇最新研究论文进行专题介绍的同时，对该领域未来的发展做出评述。

在从能源转化到环境治理的众多工业过程中，负载型金属纳米催化剂扮演着核心角色。然而，一个长期困扰工业界的“阿喀琉斯之踵”是催化剂在复杂化学反应、高温条件下的失活问题。这种失活通常源于纳米颗粒的“烧结”——即颗粒聚并长大，导致活性表面积急剧减少。因此，理性设计出具备优异抗烧结性能的催化剂，是催化科学与工程领域追求的重大目标。

解决该难题的关键之一，在于对金属纳米颗粒与氧化物载体之间相互作用 (Metal-Support Interaction, MSI）的深刻理解与精准调控。李微雪团队前期的研究工作为这一复杂问题的解决建立了一个清晰的理论，即普适的MSI“火山型”关系原理。该原理揭示：MSI并非越强越好。只有当MSI强度处于“火山峰”的理想区间时，两种失活机制才能被同时抑制，从而实现催化剂的最佳热稳定性。对于高温反应、化学稳定性差、亚纳米甚至单原子催化剂等所面临的严峻挑战，研究团队进一步提出双功能载体设计原理，借此打破界面作用标度律限制，超越催化材料塔曼温度的限制。

在该理论指导下，来自美国密歇根大学的S.Linic教授与B. Goldsmith教授通过基于第一性原理神经网络势的大规模分子动力学模拟，从理论层面完整验证了李微雪团队提出的稳定性“火山型”理论，并首次定量确认其最佳MSI准则：纳米颗粒与载体接触角为90°时，催化剂抗烧结性能最优。以此为核心判据，他们运用可解释机器学习模型，从表面能、表面氧键序等特征预测MSI强度，并对上万种氧化物表面进行高通量筛选，锁定出潜力候选材料。实验验证表明，预测最优体系Pt/BaO催化剂的高温抗烧结性能优于传统载体。该工作将基础理论转化为工程预测工具，为催化新材料的发现提供了模拟驱动的高效方法。

展望未来，需实现对MSI更深入的物理调控并建立揭示其物理本质的解析模型。2024年，李微雪团队基于实验数据，融合符号回归的可解释机器学习（“白箱”模型）与神经网络势分子动力学模拟（“黑箱”模型），构建出描述MSI强度的普适解析物理方程。该混合“灰箱”模型兼具预测精度与机理明晰性，以简洁数学形式揭示相互作用规律，为第一性原理催化设计提供了深刻机理洞察。

理想的工业催化剂需兼顾稳定、高活性和高选择性，但这三大性能常相互制约，形成“多目标优化”难题。对此，李微雪提出，应结合“白箱”模型的机理透明度与“黑箱”模型的强大预测能力，发展“灰箱”催化模型，并与高通量自动化实验协同迭代，实现理实交融。该研究范式有望在高维催化空间中导航，驾驭三者间复杂关系，从而在真实工业条件下实现高效稳定催化剂的理性设计。

（化学与材料科学学院 精准智能化学全国重点实验室 科研部）