博文

“大数据+机器学习”在光催化制氢中的研究范式

已有 1699 次阅读 2020-8-3 03:03 |系统分类:科研笔记

采用自动化高通量的光催化剂的制备与表征形成的大数据集，并结合机器学习，可以充分理解光催化剂的构效关系，并指导高效光催化剂的设计。

引言

光催化分解水制氢是实现洁净生产氢能的理想途径。为了实现高效的太阳能到氢能的转化效率，我们迫切的需要开发更加高效的光催化剂，而理解光催化剂的构效关系是其中的关键。然而通常对于构效关系的理解是基于试错（trail-and-error）的方法进行，而且获取的数据量少，导致得到的构效关系具有较大的局限性，无法用来很好的指导更加高效的催化剂的筛选。因此人们一直期待进行更加快速高效的构效关系的研究。来自利物浦大学的Andrew I. Cooper 教授研究组为我们提供了一个研究范式。他们基于聚合物光催化剂，通过将自动化实验过程与高通量合成、表征、计算相结合，构建了光催化剂活性与结构的大数据集。以上的大数据集，被用作机器学习算法结构的训练集。在考虑电子亲和能、离子化能力、光学带隙以及聚合物在水中的分散度四方面结构因素时，基于机器学习的模型预测的光催化活性与实验结果的线性拟合优度（确定系数R²）为0.68，具有较高的可靠性。

实验

图1解释了作者通过高通量实验、表征构建关于结构、光催化活性的大数据集的策略。作者这里基于Suzuki-Miyaura反应来进行聚合物光催化剂的合成，这是因为可用的备选材料数很大（6354个），可以提供足够丰富的关于结构的信息。结合高通量计算（主要包括电子亲和能、离子化能以及光学带隙），作者首先选取了127个聚合物分子进行合成，通过自动化、高通量地合成和表征（主要包括XRD、PL、FTIR和透光率），最终确定了99个可用于光催化的测试的聚合物分子。这些聚合物分子，最终通过高通量光催化反应器进行活性表征。作者这里也突出展示了高通量、自动化合成的强大优势：这里筛选的聚合物光催化剂数量远远超过了文献中报道的数量的总和！

Figure 1 Workflow for high-throughput synthesis and property screening of the conjugated polymer library.

基于对合成的99个聚合物光催化剂得到的光催化活性与这里主要考虑的四方面结构因素（主要包括电子亲和能、离子化能、光学带隙和透光率）构建的数据集，作者对基于梯度提升的机器学习模型进行训练。利用训练完成的模型对这99个光催化剂分子的光催化放氢活性经行预测，预测结果与实验结果的确定系数R²为0.68，具有较好的可靠性。虽然如此，作者这里也强调，由于R2=0.68也意味着以上四个因素还不足以完全描述决定光催化剂活性的因素，因此也值得更深的探索。

Figure 2. (a) Properties used to train the gradient-boosting model, where IP, EA, and optical gap are calculated, and transmittance is measured experimentally. (b) Experimentally observed HER vs HER predicted using a gradient-boosted trees machine-learning model. The model is evaluated by leave-one-out cross validation, meaning the data shown are for co-polymers not considered during training.

根据机器学习的模型，作者对前述的6354个聚合物的光催化放氢活性进行预测，并最终筛选出来两个全新的聚合物光催化剂，它们相比文献已经报道的最好的聚合物光催化剂的活性和稳定性，具有明显优势。

Figure 3. (a) Structures of previously reported polymer photocatalysts (P7 and P10; left) and the best-performing polymer photocatalysts in this study (P64 and P62; right), as measured under identical conditions. (b) UV/visible spectra of P7, P10, P62, and P64. (c) H2 evolution rates of P7, P10, P62, and P64. (d) Plot showing sacrificial photocatalytic hydrogen evolution versus time for P64 under solar simulator irradiation. Vertical lines indicate degassing.

本工作充分展示了前沿技术对于催化研究的革命性的促进作用。自动化、大数据、高通量实验、机器学习等在该研究中有机的结合在一起，在量和质两个方面对于光催化剂的研究都起到了巨大的冲击。Andrew Cooper教授是将人工智能领域用于实验研究的先驱，其研究组近期在Nature上报道的全自动决策的Robotic Chemist更是让大家调侃自己是不是要失业了。我们每天都在看到新闻报道各种巨大的科学进步，然而如何将其与自己的研究相结合值得我们认真而严肃的思考。

关键词：聚合物光催化剂；高通量；大数据；人工智能；构效关系

引文：

Bai Y., et al. (2020). "Accelerated discovery of organic polymer photocatalysts for hydrogen evolution from water through the integration of experiment and theory" JACS 141: 9063-9071.