随着全球能源转型的加速，如何提升催化剂的效率成为科学研究的重点。原子级催化剂因其独特的高金属利用率和可调控的局部结构，在能源转化、化工合成等领域展现出巨大的潜力。然而，开发高效的原子级催化剂仍面临诸多挑战。近年来，人工智能（AI）技术的引入为催化剂设计提供了全新的思路。近日，北京大学邹如强教授团队总结了AI驱动的原子级催化剂设计与自动化合成的最新进展，探讨了AI如何推动能源转化领域的创新突破。
在全球能源转型的背景下，如何提高催化剂的效率，成为科学界的关键挑战。原子级催化剂（ ALCs），如单原子催化剂（SACs）和双原子催化剂（DACs），以其高金属利用率和可调控的结构在能源转化领域表现出了巨大的应用潜力。然而，传统的催化剂设计方法面临结构- 性能复杂性和高昂的实验成本等挑战。
那么，人工智能如何助力原子级催化剂的研发呢？
近年来，人工智能技术，特别是机器学习（ ML）、图神经网络（GNN）和大语言模型（LLM ），已开始在催化剂设计中发挥重要作用。这些技术能够帮助我们高效筛选出潜在的高性能催化剂，大幅提高研发效率并降低实验成本。
图1用于原子级催化剂的AI技术
AI加速催化剂筛选与设计
机器学习通过建立结构-性能预测模型，能在海量的候选材料中快速识别出最具潜力的催化剂。例如，通过数据驱动的方法，研究人员可以在原子级别筛选出最适合的配位环境、金属种类和载体结构，为催化剂的设计提供重要的理论支持。
图神经网络（GNN）则在催化剂设计中展现出了巨大的优势。GNN通过图结构表示催化体系的原子和键，不依赖于手工特征，可以自动学习催化反应中的重要关系。利用这种技术，研究人员能够更好地理解催化剂在不同反应条件下的稳定性和反应性，甚至预测未知材料的催化性能。
LLM赋能：跨领域知识整合与自动化合成
LLM的出现为催化剂设计提供了新的动力。LLM不仅能够从大量文献中提取关键信息，构建统一的知识图谱，还可以辅助催化剂的合成路径预测和反应机制的揭示。通过自动化数据抽取和分析，LLM为催化剂设计提供了强有力的数据支持，加速了新材料的发现。
同时，AI驱动的自动化合成平台也成为推动催化剂研发的重要工具。通过机器人合成和高通量测试，这些平台能够在统一的实验条件下快速验证催化剂的性能。更重要的是，自动化平台通过实时数据分析和在线优化，加速了实验验证和优化过程。
图2 基于opentrons的高通量液体移液平台
未来展望：AI与自动化平台深度融合，助力能源转化革命
随着AI技术的不断进步，原子级催化剂的研发将更加智能化和高效化。通过将机器学习、图神经网络和大语言模型与自动化平台结合，催化剂的筛选、合成和优化过程可以更加快速、精确。这不仅为能源转化提供了更高效的解决方案，也为绿色制造和环境治理开辟了新的道路。未来，AI与自动化平台的深度融合将进一步推动原子级催化剂从实验室到工业应用的转变。
文章信息
冯龙,夏怡然,马冰冰,吴凯,周湛彬,田也,钟瑞琴,陈为彬*,邹如强*. 人工智能驱动的原子级催化剂设计与合成. 科学通报, 2026, doi: 10.1360/CSB-2025-5822
《科学通报》是 中国科学院主管、中国科学院和国家自然科学基金委员会共同主办的综合性中文学术期刊，致力于快速报道自然科学各学科基础理论和应用研究的最新研究动态、消息、进展, 点评研究动态和学科发展趋势。每10天出版1期；栏目包括进展、评述、快讯、论文、观点、科技前沿、科学访谈、亮点述评、悦读科学等。《科学通报》是《中国科技论文与引文数据库》和《中国科学引文数据库》的源期刊，同时被EI、ESCI和Scopus等收录，入选中国科学院文献情报中心分区表综合性大类1区TOP期刊；中国科技期刊卓越行动计划领军期刊。
期刊官网：http://csb.scichina.com
转载、投稿请留言
| 关注科学通报 | 了解科学前沿
热门跟贴