双原子催化剂（double-atom catalysts, DACs）不仅具有单原子催化剂（single-atom catalyst, SACs）的优点（例如最高的原子利用率、高活性和选择性），而且克服了SACs的缺点（例如低负载和孤立的活性位点），而受到了越来越多的关注。然而，由于DACs的设计空间巨大，无论是实验研究还是计算研究，DACs的设计成本都很高。

基于此，美国马里兰大学李腾教授（通讯作者）等人报道了通过密度泛函理论（DFT）计算和基于拓扑信息的机器学习（ML）算法，提出了一种数据驱动的高通量设计原理，以评估16767个DACs在析氧（OER）和氧还原（ORR）反应中的稳定性和活性。

首先，作者进行了DFT计算以评估164个DAC系统的稳定性、OER和ORR催化性能。然后，作者使用来自164个DAC系统的DFT结果作为ML算法的训练和测试数据集，进而可以预测16767种可能的过渡金属组合物组合的DACs的稳定性、OER和ORR催化性能和基板配置。这种高通量设计方法揭示了511种OER活性优于最有效的OER催化剂IrO₂(110)的DACs，以及855种ORR活性优于最有效的ORR催化剂Pt(111)的DACs。

此外，作者确定了248个双功能DACs，其催化性能超过OER的IrO₂(110)和ORR的Pt(111)。作者还揭示了将DAC的催化活性与DAC的拓扑和电子结构及其键合碳表面结构相关联的内在描述符。

这种方法不仅产生了显着的预测精度（> 0.926 R-squared），而且与纯DFT计算相比，筛选时间也大幅减少了144000倍。该研究的结果为以大幅降低的成本加速发现高性能和低成本DACs提供了巨大的希望，同时展示的支持ML的策略可以很容易地适应并加速发现各种原子级催化剂。

Data-Driven High-Throughput Rational Design of Double-Atom Catalysts for Oxygen Evolution and Reduction. Adv. Funct. Mater., 2022, DOI: 10.1002/adfm.202203439.

https://doi.org/10.1002/adfm.202203439.