Топологический ИИ позволяет проектировать каталитические активные центры с объяснимым подходом

Обзор процесса извлечения признаков, построения набора данных и рабочего процесса для прогнозирования энергии и проектирования интерфейсов. Автор: npj Computational Materials (2025). DOI: 10.1038/s41524-025-01649-8

Международная исследовательская группа под руководством профессора Пан Фэна из Школы новых материалов Пекинского университета (Шэньчжэнь) разработала топологический вариационный автоэнкодер (PGH-VAEs), который позволяет осуществлять «объяснимый обратный дизайн» каталитических активных центров.

Исследование под названием «Обратный дизайн каталитических активных центров с помощью объяснимых топологических генеративных моделей» было опубликовано в журнале npj Computational Materials. В работе представлен новый подход, объединяющий граф-теоретическую структурную химию, алгебраическую топологию и генеративные модели глубокого обучения, что позволяет целенаправленно проектировать катализаторы с заданными адсорбционными свойствами.

Разработка катализаторов с точно заданными активными центрами критически важна для повышения эффективности энергетических и химических процессов. Традиционные методы «прямого проектирования», основанные на теории функционала плотности (DFT) и машинном обучении, сталкиваются с трудностями при работе со сложными системами, такими как высокоэнтропийные сплавы (HEAs), из-за ограниченной интерпретируемости и недостатка данных. Графовые представления атомных структур в сочетании с персистентной гомологией GLMY (PGH) — топологическим инструментом для анализа асимметричных графов — открывают новые возможности для анализа и генерации каталитических структур.

Этот объяснимый метод обратного проектирования предлагает мощную альтернативу традиционному «методу проб и ошибок» в разработке катализаторов. Исследование демонстрирует, что интерпретируемый обратный дизайн больше не является недостижимой задачей.

Связывая топологические дескрипторы с физическими характеристиками, метод обеспечивает прозрачный путь от теоретического моделирования до практического синтеза катализаторов. Такие прорывы особенно важны для HEAs и других структурно сложных катализаторов, где эксперименты методом проб и ошибок оказываются дорогими и неэффективными.

В рамках исследования учёные разработали систему двойного кодирования, которая раздельно учитывает атомную координацию и влияние удалённых элементов. На основе этих данных была обучена модель вариационного автоэнкодера (VAE) в сочетании с градиентным бустингом (GBRT), что позволило достичь высокой точности прогнозирования энергии адсорбции *OH — средняя абсолютная ошибка составила всего 0,045 эВ, несмотря на относительно небольшой набор данных (~1100 DFT-расчётов).

Интересно, что исследование выявило сильную линейную корреляцию между топологическими дескрипторами (особенно числами Бетти) и адсорбционными свойствами, что даёт редкое физическое понимание взаимосвязи структуры и эффективности. Модель также успешно сгенерировала оптимальные структуры активных центров в высокоэнтропийных сплавах IrPdPtRhRu, определив Pt/Pd в качестве предпочтительных мостиковых атомов и Ru как удалённого регулятора. Кроме того, алгоритм предсказал идеальные составы для разных кристаллических поверхностей, предоставив точные цели для экспериментальной проверки.

Эта работа устанавливает новый стандарт в области объяснимого, основанного на данных проектирования материалов. Хотя исследование сосредоточено на HEAs, метод может быть расширен и на другие катализаторы для энергетики, экологии и промышленности, открывая путь к рациональному, управляемому ИИ открытию материалов.

Дополнительная информация: Bingxu Wang et al, Inverse design of catalytic active sites via interpretable topology-based deep generative models, npj Computational Materials (2025). DOI: 10.1038/s41524-025-01649-8

Источник: Peking University