非均相催化体系的原子尺度机理研究是化学工程和工业催化学科的前沿科学领域，解析微观动力学对构建宏观催化理论框架至关重要。能源催化剂表界面微环境与反应路径的动态耦合是核心科学问题之一，而不同体系基元反应网络的显著差异导致催化剂理性设计面临挑战。
密度泛函理论（DFT）虽能实现原子级催化过程模拟，但催化活性位点与吸附构型间复杂组合空间限制了其高通量筛选应用。机器学习（ML）通过大数据驱动模型克服了传统机理研究的理论假设依赖和计算瓶颈，已成功应用于催化剂智能设计与优化，助力传统研究范式预测效能提升。近几年，以DALL-E、ChatGPT、DeepSeek和Gemini为代表的新一代生成式人工智能工具，更在跨模态数据处理与知识融合领域展现出巨大潜力。
有鉴于此，近期上海交通大学国家电投智慧能源创新学院碳捕集中心朱礼涛副教授低碳能源与智能化工小组在国际知名化工期刊《Chemical Engineering Science》发表综述文章"Big Data-Driven Machine Learning Transformation for Atomic-Scale Heterogeneous Catalyst Designs: A Critical Review"，系统阐述了机器学习在原子尺度能源催化剂设计中的范式革新。该工作从两个维度展开论述和分析：首先综述了基于ML的催化剂微结构筛选理论框架，通过建立量子特性（如能量/力场）的快速预测模型实现反应机理解析的降维处理；其次深入剖析了催化剂数据集规模拓展带来的技术突破，重点回顾和分析了面向结构特征提取、性能预测和新型催化剂生成的大规模ML模型对数据驱动设计的推动作用。
该综述特别强调构建适配能源催化科学需求的专用模型架构，学术价值主要体现在三个方面：其一，构建了ML驱动催化剂设计的理论-方法-应用的全链条分析框架；其二，揭示了大规模数据集与生成式AI融合带来的范式变革潜力；其三，论述了"面向催化科学本质的ML模型架构设计"这一具有学科交叉特征的前沿研究方向。研究团队预期，该成果将为化学工程、计算催化等领域的学者提供兼具一定理论深度与应用价值的研究参考，并初步为下一代智能催化材料设计平台构建指明方向。
该综述第一作者为上海交通大学国家电投智慧能源创新学院博士后郑晓帆。罗正鸿教授、杨佳副教授、黄震院士、Nicolas Alonso-Vante教授、周连勇博士对本工作提供了重要学术指导。本工作得到了国家自然科学基金、上海市浦江人才计划项目、双一流启动基金的资助。
据悉，《Chemical Engineering Science》被公认为国际化工三大期刊之一，由爱思唯尔（Elsevier）出版集团主办，自1951年创刊以来，一直致力于发表化学工程领域的原创性研究论文和综述论文，在国际化工领域具有重要影响力。