近日，昆明理工大學化學工程學院分子分離與催化團隊在多相催化劑理性設(shè)計及可解釋人工智能（AI）領(lǐng)域取得系列進展。相關(guān)研究成果以“Logical Descriptor Elucidates a Protein Folding-like Mechanism in Propylene Adsorption: Intrinsic Site Characteristics versus Adsorption Energy”和“AILD: An Interpretable AI Framework for Designing Logical Descriptors in Predicting CO Adsorption on Catalysts”為題，發(fā)表于物理化學領(lǐng)域權(quán)威期刊《The Journal of Physical Chemistry C》和《The Journal of Physical Chemistry A》。

在“雙碳”目標與化工轉(zhuǎn)型背景下，探尋決定催化性能的關(guān)鍵“基因”—描述符，是實現(xiàn)催化劑理性設(shè)計的核心。針對傳統(tǒng)參數(shù)描述力不足及數(shù)據(jù)驅(qū)動模型“黑箱化”的瓶頸，團隊提出“邏輯描述符”（Logical Descriptors）概念，構(gòu)建了從“復雜機理深度解析”到“AI輔助通用方法論確立”的研究鏈條。

研究揭示了邏輯描述符在解析復雜機理中的核心價值。針對丙烷脫氫（PDH）反應(yīng)中“活性-選擇性”權(quán)衡難題，借鑒生物學“安芬森原則”，發(fā)現(xiàn)活性位點本征電子結(jié)構(gòu)（初始態(tài)）與分子吸附構(gòu)型（終態(tài)）間存在類蛋白質(zhì)折疊的映射關(guān)系。據(jù)此，構(gòu)建了d軌道協(xié)同配位描述符（d-SCD），通過量化特定d亞層軌道與配位環(huán)境的協(xié)同關(guān)聯(lián)，闡明了Pt基催化劑性能差異的微觀機制。研究證明，邏輯描述符相較于d帶中心等傳統(tǒng)參數(shù)具有更優(yōu)的表征力，為破解催化“蹺蹺板”效應(yīng)提供了基于電子本征屬性的精準調(diào)控新方案。

同時，將上述發(fā)現(xiàn)邏輯升華為通用方法論。開發(fā)了“AILD”（人工智能引導的邏輯描述符）可解釋性框架，旨在解決描述符構(gòu)建過程中物理意義缺失的共性難題。該框架創(chuàng)新性地利用大語言模型（LLM）作為知識檢索引擎，結(jié)合DFT計算與SHAP分析，建立了自動化篩選流程。以CO吸附為例，框架成功挖掘出包含軌道偏度（Skewness）等參數(shù)的邏輯描述符，實現(xiàn)了高精度預測（R2>0.95）與“If-Then”設(shè)計規(guī)則的自動生成。該成果打破了AI在催化領(lǐng)域的“黑箱”壁壘，確立了“讓AI懂化學”的研究范式。

昆明理工大學化學工程學院為論文通訊單位，我院2023級碩士研究生馮玉清和陳玉順分別為論文第一作者，李坦博士和趙文波教授為論文共同通訊作者。以上研究工作得到云南省基礎(chǔ)研究計劃（202401AU070180、202501AT070166）及廣東省基礎(chǔ)與應(yīng)用基礎(chǔ)研究基金（2021A1515110427）的資助。

論文鏈接：https://pubs.acs.org/doi/full/10.1021/acs.jpcc.5c07192

https://pubs.acs.org/doi/full/10.1021/acs.jpca.5c06592