近日，北京市計算中心新材料計算研究團隊基於依託北京工業雲平臺構建的「多尺度模擬和多目標機器學習材料計算與數據平臺」，實現了新型2D MXenes催化材料的精準設計，相關成果以「Accelerating 2D MXenes Catalyst Discovery for Hydrogen Evolution Reaction by Computer-Driven Workflow and Ensemble Learning Strategy」為題在國際頂級期刊《Journal of Materials Chemistry A》 （影響因子：11.301） 上發表。第一作者為計算中心王曉旭助理研究員，通訊作者為北京科技大學宿彥京教授。
二維（2D）材料具有大的表面積-體積比和優異的化學活性，被認為是潛在的能量存儲和轉換材料。石墨烯和二維過渡金屬硫化物等材料，已經在電解水產氫中得到了廣泛研究，但如何將面內原子轉變成催化活性位點仍具有挑戰性。從MAX相剝離的2D MXenes （M是過渡金屬，X代表碳和/或氮）材料，廣泛用於能量存儲與轉換、電催化、電磁屏蔽和電子器件等領域。2D MXenes有序二元合金材料是一類新型的MXenes電催化多功能材料，然而由於母相MAX有70多種，合金組合的空間相當大。傳統的試錯法，需要大量的重複實驗，過程繁瑣，研發周期長，資源消耗較大。通過理論指導的精準合成，對於開發新材料、新性能領域有重要的意義。近年來，隨著計算能力的大幅度提升，採用大數據挖掘和高通量計算的方法加速新材料的發現成為了可能。
研究團隊採用大數據驅動的高通量密度泛函理論（DFT）計算流程，集成機器學習框架，預測了2D MXenes有序二元合金（OBAs）催化活性趨勢並指導HER催化劑設計，從2520種候選催化劑中篩選出188種具有熱穩定性且可通過實驗合成的HER催化劑，其中110種2D MXenes OBAs與理想的鉑催化劑相比，表現出優異的HER催化活性，豐富了2D MXenes HER催化材料的種類。利用AdaBoost集成機器學習模型開發的描述符準確預測和揭示了HER催化活性的物理化學起源，得到的電子結構理論驗證如圖2（f）所示，在保證準確性的前提下可以有效提高材料設計效率90%以上。
該工作將大數據驅動的高通量計算與機器學習相結合，集成高通量計算流程與機器學習框架作為開發高效2D MXenes催化劑的先進方法，在評估催化活性趨勢和設計新的複雜催化劑方面顯示出強大的能力，並有望推廣到更廣泛的新材料設計中。
計算中心新材料計算研究團隊曾獲北京市技術科學研究院「青年骨幹」人才計劃等項目的大力支持，團隊成員以博士學位和高級職稱人才為主，研究領域包括新材料計算平臺設計、新材料高通量篩選和機器學習優化及材料大數據挖掘等，承擔了材料基因工程重點專項等多項國家級科研項目，並面向社會提供不同層次的研發服務。