近日，广东工业大学轻工化工学院教授何军团队在可解释机器学习赋能绿色制氢催化材料领域取得原创性突破。相关研究成果发表于《美国化学会志》（Journal of the American Chemical Society）。

据悉，该研究突破传统“试错筛选”式研发路径，利用可解释人工智能揭示了羟基与氨基双官能团协同催化的科学规律，精准设计出无需外加助剂、具有超高活性的金属有机框架材料（MOF）基光催化析氢新材料，为我国绿氢产业化关键催化剂的自主可控提供了全新研发范式。

太阳能光催化分解水制备绿氢是助力“双碳”战略、实现可再生能源规模化利用的核心技术路径，其中高性能光催化剂是关键材料。传统MOF基催化剂的研发长期依赖大量试错实验，科研人员依靠经验反复调整配体与金属组分，导致研发周期长、原料损耗大，且易陷入局部性能瓶颈。此外，现有绝大多数机器学习预测模型为不可解释的“黑箱”，仅能输出性能数据，无法揭示分子结构与催化活性之间的内在规律，难以指导精准设计，严重制约了高效催化材料的创制。

针对上述行业共性难题，何军团队另辟蹊径，构建了“数据库搭建-可解释AI解构机理-虚拟高通量筛选-定向合成验证”全链条闭环研发新范式。团队首先整合国内外文献及自主实验数据，建立了MOF光催化样本的高质量数据库，精细拆分了配体骨架、官能团、金属簇、反应条件四大类特征，提取200余项物化描述参数；选用CatBoost机器学习模型完成活性预测，并借助SHAP、皮尔逊相关性分析等工具打破AI“黑箱”，首次从分子层面探明羟基与氨基协同调控催化的核心规律：羟基通过吸电子诱导效应优化配位环境，氨基凭借共轭给电子效应调控电子分布，二者以特定配比协同平衡电荷分离与空穴复合效率，从而从机理上阐明双官能团耦合提升产氢效率的微观机制。

在机理指导下，团队创新提出骨架导向遍历筛选法，基于数据库中的骨架结构衍生出超过13万种虚拟MOF分子库，快速锁定三羟基/三氨基配体与Fe₂Ni双金属簇为最优组合。按照AI给出的精准配比定向合成新型MOF催化剂，实测光催化析氢速率达73.7 mmol·g^-1·h^-1，较基准样品提升15.8%，预测值与实测值偏差仅为4.18%，且催化剂无需外加光敏剂与助催化剂。结合谱学分析与理论计算，团队完整阐释了微观作用机理，实现了“AI预测-虚拟筛选-实验验证”的全闭环研发。

该成果立足国家对绿氢及新能源催化材料的重大战略需求，打破了传统试错研发模式，构建了具有普适性的新材料开发范式，可推广至二氧化碳还原、环境治理等绿色催化领域，助力氢能关键材料的精准创制，赋能绿色化工新质生产力发展。

相关论文信息：https://doi.org/10.1021/jacs.6c05998