多相催化剂是化学工业与新能源电转化技术的关键，对于促进相关领域低碳绿色的发展目标至关重要。传统催化剂开发模式依赖大量实验试错和高成本的理论计算，周期长、成本高、效率低。近年来，融合人工智能（AI）与高通量计算的“智能研发”新范式，为从原子尺度上理性设计和高效发现新催化材料提供了高效可行的新路径。清华大学化工系王笑楠团队长期致力于该交叉领域的研究，近期系统性地构建了贯穿催化剂表面设计、催化活性与选择性筛选及反应动力学优化等关键环节的多尺度AI预测框架，为催化剂的理性设计与智能发现提供了支撑。

首先，团队针对催化材料表面是否稳定、能否合成这一基础性问题，创制了“SurFF”表面性质基础模型，通过主动学习策略构建了一个涵盖万余种合金表面的大规模数据库，以精准预测晶体材料的表面能和平衡形貌（Wulff构型）。在保持同等精度的前提下，SurFF比传统的密度泛函理论（DFT）计算效率提升了5个数量级以上，且首次实现了对数千种晶体材料可合成性与表面暴露情况的高通量筛选。同时，团队利用大语言模型挖掘了大规模文献数据（1万余篇催化文献XRD/TEM面指数信息），结合原创实验数据，在真实催化体系中验证了模型的准确性。该工作为催化剂理性设计及下一代自驱动材料研发闭环提供了坚实支撑。相关成果以“SurFF：一种跨金属间化合物晶体表面暴露与形貌的基础模型”（SurFF: A Foundation Model for Surface Exposure and Morphology Across Intermetallic Crystals）为题，于9月9日发表于《自然·计算科学》（Nature Computational Science）。

图1.利用SurFF基础模型实现实验级表面合成与暴露情况预测

另外，团队聚焦于二氧化碳电还原制甲醇的催化剂的活性与选择性筛选这一重大技术挑战，提出了一套由AI驱动的高通量催化剂筛选框架。以预训练的原子基座模型为基础，结合主动学习策略，仅用少量的DFT计算数据就能快速微调出高精度预测模型。该方法将催化剂吸附性能的筛选效率提升了千倍以上，成功从3000多种候选材料中发现了一系列综合性能超越现有基准的新型单原子催化剂。相关成果以“结合原子基座模型与主动学习加速二氧化碳转化催化剂的理论高通量筛选”（Theoretical High-Throughput Screening of Single-Atom CO2 Electroreduction Catalysts to Methanol Using Active Learning）为题，于8月5日发表于中国工程院院刊《工程（英文）》（Engineering）。

图2.结合主动学习与原子基座模型的理性催化剂筛选

更进一步，团队开发了名为CaTS的过渡态智能筛选框架，瞄准催化剂设计中难度最大、耗时最长的反应动力学优化问题进行攻关。长期以来，过渡态的计算是预测反应速率的关键，但高昂的计算成本是制约大规模筛选的瓶颈。CaTS框架创新性地采用迁移学习策略，仅需数百个催化反应数据即可训练出高精度的机器学习力场，将过渡态搜索的效率提升了近万倍，且在能量和结构预测上均保持了与DFT的高度一致性。相关研究成果以“CaTS：面向催化剂发现的可扩展和有效的过渡状态筛选”（CaTS: Toward Scalable and Efficient Transition State Screening for Catalyst Discovery）为题，于8月27日发表于《美国化学会·催化》（ACS Catalysis）。

图3.CaTS模型迁移与在均相加氢催化体系上的筛选应用示例

以上三项工作面向催化剂理性智能设计中的关键科学问题，形成了一套从静态结构到动态反应的较为完整的AI驱动多尺度催化研究框架，有效促进了催化剂的研发从传统的“试错”模式向高效、精准的“智能预测”模式的快速转变，为多种多相催化剂的设计提供了理论支撑和创新路径参考。

清华大学化工系副教授王笑楠为以上系列工作的唯一通讯作者，第一作者包括清华大学化工系2022级博士生陈宏浩、2024级博士生李文韬、新加坡国立大学博士毕业生殷骏。其他合作者包括清华大学化工系教授王铁峰、助理研究员蓝晓程，中国石化北京化工研究院冯华升博士等。研究得到国家人工智能重大专项、中央高校青年教师科研创新能力支持项目（U40）、清华大学自主科研项目、碳中和与能源智联项目（CNEST）、青年北京学者等项目的资助。