东华大学黄中杰AFM：基于高通量高分辨在位合成与探针技术的大数据电化学

---

---

研究背景

自古以来，人类对于“魔法水晶球”的幻想，一直充满了对预测未来和揭示重大创新的渴望。对于科学家来说，在微型的“数据工厂”中快速得到丰富的数据与智慧，亦是令人着迷的梦想。早在 1970 年，美国无线电公司实验室的 Hanak 率先提出“多样本概念”来寻找新型超导材料。这一理念深刻影响了医学和材料科学领域，并在 1995 年首次大规模应用于药物研发。至 1998 年，美国宾州州立大学的知名材料科学家 Mallouk 教授首次呈现组合电化学的应用，通过同时筛选多种电极成分，加速了研究速度。组合方法学不断推动着科学研究的发展，使得快速发现和设计新材料成为可能。

最近人工智能（ AI ）的爆炸性发展，让组合方法学在材料探索中找到了关键的位置。虽然材料基因组计划（ MGI ）在促进科学界的协作和数据共享方面展现了前所未有的潜力，大大降低传统实验方法试错的成本和时间，但面临多重挑战。构建综合数据库需要广泛的数据收集和复杂的处理，材料成分、结构及其属性间关系的分析尤为复杂且耗时。同时，数据质量和一致性的依赖性可能影响结果的可靠性。这些挑战突显了实现 MGI 全部潜力的复杂性和限制。一个能够有效快速地制造材料组的平台，可以加速 MGI 的探索进程。这些平台结合了高通量原位合成和高效表征，直接在“芯片”上实现组合实验，有望在材料发现的范式中带来深刻变革。随着材料设计、大规模合成、快速筛选与 AI 在一个紧凑平台中的整合，它们可在电化学与电催化材料研究前沿和化学空间探索方面发挥意想不到的作用，为解决能源和环境等全球性挑战提供新的解决方案。

近日，东华大学 黄中杰教授 团队与合作者以此为主题，整合了相关交叉领域的最新进展，深入探讨在位组合合成、高效筛选和机器学习辅助优化在电催化材料研究中的前沿科学问题，并为未来的催化信息学勾画出一条发展路线，相关报道以题为 "Recent Progress in High-Throughput On-Chip Synthesis, Screening, and Data-Driven Optimization: Toward an Electrocatalyst Chip for Catalysis Universe Exploration" 在 Advanced Functional Materials 期刊发表。

研究成果

催化剂组合合成的最新进展，尤其是在单一基底上进行全面探测，为电催化剂的发现和优化提供了新的方法。通过高通量高分辨的技术在单一基底上合成超大数据量的材料库并进行全面表征，可以高效筛选出具有优异性能的催化剂，这大大提高了材料探索的效率。在催化剂筛选方面，基于扫描探针的电化学技术取得了显著进展。这些技术能够精确测量催化剂的电化学性能，实时监控催化反应过程，为催化剂的设计和优化提供了有力支持。此外，机器学习辅助的电催化剂探索也在快速发展。通过分析大量实验数据，机器学习能够揭示催化剂设计的新规律，预测新型催化剂的性能，提升筛选效率和精度。未来，结合组合合成、高效筛选和机器学习等技术，电催化剂研究将迈向更加自动化、智能化的方向，推动催化剂发现的进程，并为能源和环境问题提供可持续的解决方案。

图文导读

图 1. 回顾了加速材料发现的组合方法学的演变历程：其中包括 1970 年 Hanak 提出的 “ 多样本概念 ” ，通过同时测试多个样本来推动超导材料的研究； 1998 年 Mallouk 教授提出的电催化剂组合筛选方法，促进了多种成分的快速评估； 2011 年启动 MGI ，该计划通过数据分析、计算工具和实验方法的整合，旨在大幅加速并降低新材料的发现、设计、开发和应用成本。这些发展历程为催化信息学的发展铺平了道路。

图 2. 连续梯度合金薄膜的沉积制备技术，在单一基底上制备了由多个元素组成的合金薄膜样本，在合金库中实现了空间分辨的成分梯度。

图 3. 通过微孔联动 PVD 方法在单一基底上制造了独立的梯度合金单元。通过微孔蒸发不同金属并使用纳米光刻掩模和移动微孔实现合金的梯度排列。

图 4. 利用扫描探针技术制造多金属纳米颗粒及超大规模材料库。通过控制金属前驱体的聚集和还原、嵌段共聚物降解，实现了精确的纳米颗粒合成，结合墨水喷涂技术，生成了具有不同成分梯度和尺寸控制的纳米颗粒库。

图 5. 基底上高熵合金阵列的合成方法，包括碳热震荡法、液态金属纳米反应器法等。

图 6. 通过气溶胶喷射印刷实现高通量组合材料合成，该技术依赖于原位气溶胶混合进行材料合成，并可应用于组合掺杂、功能梯度、化学反应及微观结构的形成等多个领域。

图 7. 气泡筛选法用实时成像对气体析出反应进行空间分辨的评估。

图 8. 采用扫描探针电化学技术进行空间分辨的电化学表征，包括较大范围扫描（扫描液滴池 SDC ）和高分辨率扫描（扫描电化学池显微镜 SECCM ），用于测量和分析合金库、金属纳米晶等材料的电催化活性等。

图 9. 先进的机器学习通过数据驱动材料创新，推动材料科学从经验科学、理论科学、计算科学到数据驱动科学的新范式转变。

图 10. 通过结合基于 Chat-GPT 的大语言模型（ LLM ），设计用于 ORR 和 HER 的高熵合金元素组合的过程。

图 11. 模拟与实验方法在电催化剂研究过程中的紧密协作：通过主动学习加速 CO ₂ 电催化剂的发现过程，包括模拟（ DFT 和 ML ）与实验的逐步合作流程图。

图 12. 实验与机器学习结合的变革性力量在按需材料发现中的应用。

图 13. 通过 SECCM 平台同时实现高分辨率和精确定位的合金纳米颗粒阵列的按需合成与高效筛选。

图 14. 通过结合 SECCM 和 SECM 技术，实现了电催化活性和选择性的同时观察，采用双通道纳米毛细管分别成像扫描 ORR 的活性和反应产物。

总结与展望

总结而言，通过高分辨率在位合成、高通量筛选和基于机器学习的数据分析相结合，材料科学有望迎来一次范式转变，推动前所未有的进展并激发科学创新。这不仅仅是逐步改进，而是一次变革性的飞跃，预计将重塑材料科学的未来。本文聚焦于一个及时且具有挑战性的目标 —— 通过“数据工厂”的便捷最小化，实现先进电催化材料的发现。这一创新方法能够以空前的速度和效率，探索复杂的化学空间，发现高性能材料。这一研究范式的转变不仅加速了催化剂发现的过程，还为解决众多科学领域中的全球性挑战提供了潜在解决方案。

论文信息

论文链接： doi.org/10.1002/adfm.202416117

声明

本文仅用于学术分享，如有侵权，请联系后台小编删除

欢迎关注我们，订阅更多最新消息