科学发现往往依赖长期、成本高且渐进的试错过程。近期，中国一支多机构研究团队引入人工智能方法，识别用于二氧化碳转化反应的催化剂化合物关键特性，并在此基础上提出铜基单原子合金（SAA）催化剂的通用设计原则。相关成果已于2月24日发表在《应用化学国际版》（Angewandte Chemie International Edition）。

共同通讯作者、东北大学先进材料研究所杰出教授李昊表示，铜基单原子合金被视为优化二氧化碳电还原、提升多碳产物生成的有前景策略。二氧化碳电还原是通过电化学反应将化合物分解或转化为其他产物的过程。

李昊指出，当前挑战在于，电还原催化可在多种化学添加剂作用下诱导生成不同的碳产物，但这种多样性尚缺乏合理解释，因此尚未形成可用于定向生成目标碳产物的铜基单原子合金设计指导原则。

为建立相关原则，研究人员使用了名为Catalysis AI Agent的人工智能工具。该工具基于大型语言模型（LLM），并通过研究团队构建的数字催化平台（Digital Catalysis Platform，DigCat）数据库进行训练。研究团队称，DigCat目前是催化剂研究领域规模最大的实验数据库和人工智能平台。

李昊介绍，研究的第一阶段是开发基于LLM的Catalysis AI Agent，并利用其对DigCat数据库进行挖掘，以在既有催化剂研究数据中识别趋势与相似性。

研究团队表示，Catalysis AI Agent的分析显示，铜基单原子合金实现目标碳产物生成的关键在于促进某些化合物的形成，而非通过抑制其他副产物来实现选择性。基于这一发现，研究人员进一步借助该人工智能工具分析实验数据与理论数据之间的相关性，并提出需要对用于诱导特定碳产物的添加剂（掺杂剂）进行分类，以阐明其与化合物的相互作用方式，从而获得更可预测的反应结果。

在此基础上，研究人员建立了一种能量描述符，用于对单原子合金进行分类，并更准确地捕捉铜基单原子合金中产物选择性的变化趋势。研究团队还开发了李昊所称的“极其简单的结构描述符”，可直接预测碳产物生成的能量活化，并通过实验验证其适用性。研究人员称，该方法不仅适用于铜基掺杂剂，也适用于其他金属掺杂剂。

李昊表示，这一通用设计原则揭示了铜基单原子合金催化二氧化碳电化学还原生成碳产物的促进机制及结构选择性关系，并体现出从经验性试错向人工智能加速与理论指导的催化剂设计路径转变。研究团队同时指出，训练充分的科学人工智能代理与大规模实验数据库不仅可用于预测和解释催化剂性能，也有助于提炼面向后续研究的通用设计原则。