多相催化是化學的核心問題之一。 它不僅給整個人類社會帶來了巨大的利益（如合成氨制氮肥），而且由於其複雜性，它不斷推動化學的前沿發展。 越來越多的證據表明，在催化過程中，真正的活性位點往往是原位形成的，由於目前的實驗表徵方法，催化過程中的高溫高壓條件難以應對，這使得基於密度泛函（DFT）的理論計算和模擬成為理解原子水平催化過程的有力手段。 目前，隨著人工智慧對傳統化學的衝擊，基於機器習勢函式的方法在計算速度上遠遠超過DFT，推動了新時代非均相催化原子模擬研究的公升級。
fig. 1 automated search of silver surface oxides under ethene epoxidation conditions.
基於上述背景，復旦大學化學系劉志攀教授團隊從結構和反應兩個角度回顧了近年來多相催化習領域的技術突破。 這是他們每個人的乙個例子。 從結構上看，由於機器習勢函式的出現，可以應用全域性優化演算法來搜尋複雜勢能面的全域性最小值（即給定初始構型的最穩定結構），該過程甚至可以與DFT的單步優化時間幾乎相同。
對於具有可變原子序數的複雜催化反應（巨型正則系綜），在給定多種初始構型的情況下，採用並行全域性優化計算的方法，最終篩選和判斷幾種不同原子序數的穩定結構的熱力學穩定性。
fig. 2 the asop algorithm and its application. automated search of silver surface oxides under ethene epoxidation conditions.
圖2進一步完善了這一想法，圖2顯示了將此類方法應用於銀表面氧化物的示例。 可以看出，在不依賴任何實驗先驗的情況下，可以給出給定催化條件下不同原子序數的銀氧表面結構的勢能圖，從中可以清楚地看到穩定結構的相應分布區域，以及頂部穩定結構在構型和熱力學穩定性方面的差異， 對於實際催化過程（高溫高壓）下催化劑表面結構的認知，無疑具有直接的指導意義。
fig. 3 pt clusters for methane activation.
從反應的角度來看，機器科學習勢函式的出現使得對過渡態的搜尋非常便宜，這為大規模反應路徑的自動探索提供了可能。 例如，通過對初始反應物進行隨機勢能面搜尋，對可能的產物進行取樣以形成反應對，然後進行大規模並行的過渡態搜尋，可以獲得幾個包含過渡態資訊的化學反應資料庫。
fig. 4 the ssw-rs method and its application.
通過將能壘最低的產物重置為反應物並重複該過程，可以繼續向後探索整個反應網路，並改進反應資料庫。 如果反應資料庫可以機器習，就有可能實現給定反應物的共同產生和能量勢壘，並逐步、全自動地構建反應網路。
fig. 5 the ai-cat method and its application.automated search of reaction pathways for glycerol hydrolysis on cu(111).
圖5中的例項通過習研究銅表面低碳化合物的反應資料庫來實現這一假設，給出了甘油分解的反應路徑，沒有實驗先驗條件，提出的新反應通道解釋了實驗觀察到的1,2-丙二醇高選擇性的奧秘。 相關**最近發表在NPJ Computational Materials上
fig. 6 the mmlps method and its application.
原始摘要
machine-learning atomic simulation for heterogeneous catalysisdongxiao chen, cheng shang & zhi-pan liu