基于机器学习势模拟理解PdNiRuIrRh高熵合金催化碱性氢氧化

与传统的单金属和二元合金相比，高熵合金（HEA）因其具有更广的元素组成和独特的原子构型，表现出特有的协同效应、可调的催化活性以及更强的结构稳定性等优点，目前逐渐成为电催化领域的研究热点。尽管大量的研究致力于开发高效的HEA电催化剂，然而其复杂的原子结构及配位环境阻碍了活性位点的精准识别，从而严重阻碍了构效关系的合理揭示。尤其是，当前用于探索中间体吸附热力学的传统计算研究范式（如密度泛函理论）仅适用于小于100个原子且具有特定表面原子结构的体系 ，这进一步抑制了多元高熵合金构效关系的合理揭示。此外，目前有关HEA催化碱性氢氧化反应（HOR）的报道较少，且HEA在碱性HOR条件下的稳定性增强机制尚不明确。

近日，来自武汉大学的罗威教授（点击查看介绍）团队与陈胜利教授（点击查看介绍）团队合作提出了一种基于机器学习势Monte Carlo模拟探究高熵合金与碱性HOR性能之间构效关系的策略。该研究人员采用机器学习势Monte Carlo模拟对PdNiRuIrRh高熵合金的组成结构及表面原子构型进行了分析，明确其催化活性位点，并结合密度泛函理论（DFT）深入分析了关键反应中间体的吸附热力学，并基于此揭示了其高活性及良好稳定性的来源。

研究者通过采用简便的湿化学策略，设计开发了一种高效、稳定的HEA-NiPdRuIrRh电催化剂，其表现出优异的碱性HOR活性及稳定性。基于ML-MC模拟揭示了HEA的原子分布、表面原子结构和局部配位环境，确定了Pd和Ni原子为HEA表面的主要分布原子。通过将ML-MC模拟与DFT计算相结合，揭示了HEA高效的碱性HOR性能来源于其表面主要分布的Pd-Pd-Ni/Pd-Pd-Pd键环境和Ni/Ru亲氧位点对反应中间体（*H和*OH）吸附强度的优化。进一步结合机器学习势模拟和CV测试，阐明了Pd和Ni组分的表面配位在提高HEA稳定性方面起着关键作用。这项研究为高效多元合金电催化剂的合理设计及构效关系的合理揭示提供了新思路。

该项工作由罗威教授团队与陈胜利教授团队合作完成。该研究成果近期发表在Angew. Chem. Int. Ed.上，文章的通讯作者是罗威教授与陈胜利教授，第一作者是武汉大学博后门亚娜，硕士研究生伍德安及博士研究生胡友成。

原文（扫描或长按二维码，识别后直达原文页面，或点此查看原文）：

Understanding Alkaline Hydrogen Oxidation Reaction on PdNiRuIrRh High-Entropy-Alloy by Machine Learning Potential

Yana Men, Dean Wu, Youcheng Hu, Lei Li, Peng Li, Shuangfeng Jia, Jianbo Wang, Gongzhen Cheng, Shengli Chen, Wei Luo

Angew. Chem. Int. Ed., 2023, DOI: 10.1002/anie.202217976

导师介绍

罗威

https://www.x-mol.com/university/faculty/13550 

陈胜利

https://www.x-mol.com/university/faculty/13573