近日，我校能源与动力学院极端条件热物理及能源系统团队唐大伟教授、蒋博副教授在人工智能驱动材料开发领域取得重要进展，相关成果以“可解释描述符助力预测丙烷脱氢催化剂的丙烯收率”（Interpretable Descriptor Enabling Prediction of Propylene Yield for Propane Dehydrogenation Catalysts）为题发表于《先进能源材料》（Advanced Energy Materials）。我校为唯一通讯单位，能源与动力学院博士生高玉明为第一作者，蒋博副为唯一通讯作者。本研究得到国家自然科学基金青年学生基础研究项目（博士研究生）的资助。
双原子催化剂在制氢中具有重要潜力，但其活性受多因素耦合调控。如何利用人工智能实现高通量筛选，是亟待突破的关键科学难题。对此，团队提出了“前线轨道电子占据度”概念。从催化剂微观电子结构出发，发现了前线轨道电子数与价电子数比值可作为表征全周期元素催化行为的内禀参数，把过渡金属与非过渡金属催化剂统一到同一评价体系内，为实现全周期金属元素（s区、p区、d区、f区金属）筛选奠定了理论基础。开发了FSIFSC机器学习新算法可构建具有明确物理意义的描述符（φUSF），算法突破了传统符号回归模型可解释性不足的瓶颈，构建了可系统扩展复杂特征空间的建模框架，相较于传统密度泛函理论（DFT）计算，筛选效率提升了23万倍，为开发非过渡金属催化体系提供了全新路径，描述符实现了活性/选择性/产率多目标协同预测。依托于前述理论创新与算法支撑，首次创制了高性能非过渡金属IrGa@NC双原子催化剂，实现制氢性能跨越式提升，突破了长期以来制氢催化领域高度依赖过渡金属的技术局限与认知惯性。通过同步辐射X射线吸收谱（XAFS）、球差电镜（AC-HAADF-STEM）及原位表征技术，团队进一步揭示了Ir与Ga之间的“双位点接力”反应机制。
团队将依托该理论与算法的突破，致力于构建“人工智能驱动的自动化科学发现”新范式。一方面，团队正加速引入具备强大逻辑推理与知识整合能力的科研大语言模型，旨在打造能够深度理解物理化学规律的智能体（AI Agent）。该体系能够从数亿计的碎片化文献中“提炼”出人类尚未形式化的材料知识，提取关键信息并对数据结构化整理，从而理解隐藏的物理规律与构效关系。同时通过领域专家协同最终形成以性能目标驱动的人机协同的设计闭环框架，该框架将材料发现的范式从传统的试错探索转变为目标驱动的智能合成，将材料筛选合成速度提升一个数量级。另一方面，研究工作将向更为复杂的材料体系与严苛的实验条件推进。团队将现有的评价体系扩展至液态金属、高熵合金及金属有机框架（MOFs）等前沿领域，并重点探索多物理场耦合下的催化响应机制。特别是在磁感应加热涡流效应和光热等外场作用下，通过人工智能对材料微观结构的动态演变与宏观热质传递进行跨尺度精准预测。这一探索旨在揭示复杂能源系统在极端条件下的热物理本质，为绿色低碳能源体系的加速转型提供强有力的支撑。
目前团队开发的氢能材料设计大模型已经初步上线，该大模型构建起以智能体为核心驱动，融合大模型、机器学习的系统架构，不仅在材料自主实验技术上实现了全链条贯通，更进一步向材料研发的垂直领域纵深拓展，实现覆盖氢能材料从筛选设计、制备制造的全流程智能升级，有力推动了新材料研发过程的自动化、智能化与自主化发展。
