研究方向

以结构、描述符与数据理解催化剂

我们的研究结合计算化学与人工智能，理解催化剂的工作机制，发展催化剂理性设计的基本原理。我们将原子尺度结构与催化活性、选择性和稳定性联系起来，同时开发从计算结果与科学文献中提取有效知识的方法。目前的研究聚焦于以下三个紧密关联的方向。

催化剂在反应过程中可能发生显著的结构变化。因此，识别实际工作条件下的相关结构与活性位，是理解催化性能的关键。

我们结合密度泛函理论、机器学习原子间势和全局结构搜索，研究表面重构、缺陷形成、配位环境变化及金属—载体相互作用，探索这些结构变化如何影响反应路径与催化行为。

结构多样性与催化功能之间的关系是我们关注的重点。近期关于 γ-Al₂O₃ 的研究表明，相比单一理想结构，富缺陷构型组成的结构族能够更真实地描述催化剂载体。相关研究还考察了化学链反应过程中氧空位演变对氧化物催化剂的调控作用。

我们发展将原子几何结构、电子结构和化学成键与催化活性及选择性联系起来的描述符。通过结合机理认识、具有物理意义的特征工程和可解释机器学习，我们致力于寻找能够解释催化性能趋势并指导材料选择的简明关系。

代表性研究包括用于单位点合金催化剂的孤立度描述符，以及将双原子位点的原子性质、局域环境与多种电催化反应联系起来的可解释描述符模型。在此基础上，我们希望将基于描述符的设计推广至更复杂、结构持续演变的催化体系，尤其关注描述符的物理意义与可迁移性。

科学文献中蕴含着大量有关催化剂、反应条件和催化性能的信息，但其中许多知识仍难以进行系统比较与重复利用。

我们开发人工智能辅助的文献检索、信息提取、证据组织与数据挖掘方法。已发表的研究框架将文献检索、主题构建、知识提取与综述撰写整合起来，并配备数据挖掘模块。信息可追溯性和质量评估是这一方法的核心。

在综述生成之外，我们希望将文献知识与计算数据集连接起来，识别催化剂组成、结构、反应条件和性能之间的关系。更广泛的目标是支持科学问题的提出、催化剂筛选，以及可通过研究验证的设计假设的发现。