小分子的吸附能与反应中间体步骤的能垒有关，并且对反应微动力学产生决定性影响。具有应力的催化剂能够改变吸附能，并且打破催化反应的标度关系，但是由于需要在高维度空间搜索，因此借助DFT理论计算判定如何构建所需要施加的应力通常非常困难。

有鉴于此，麻省理工学院Vivek B. Shenoy等报道通过图形神经网络训练（graph neural network）模型，能够预测催化剂/吸附质体系的吸附能随着表面应力变化的响应情况。

本文要点

（1）

通过对来自“Open Catalyst Project”（ Facebook和卡内基梅隆大学(CMU)提出的一项研究）的Cu基双金属合金催化剂随机施加应力和弛豫，生成训练数据和模型，能够对样本没有的应力为85 %情况的吸附能进行预测，比现有的集成学习（ensemble）得到的线性结果更好。

（2）

使用合成氨作为模型进行考察，发现Cu-S合金催化剂是一种具有前景的应力调控催化剂材料，这项工作使得能够预测如何通过应力调控打破能量标度关系从而改善催化剂的性能。

参考文献

Christopher C. Price, Akash Singh, Nathan C. Frey, Vivek B. Shenoy*, Efficient catalyst screening using graph neural networks to predict strain effects on adsorption energy, Science Advances, 2022, 8 (47), eabq5944

DOI: 10.1126/sciadv.abq5944

https://www.science.org/doi/10.1126/sciadv.abq5944