Edward H. Sargent：利用量子退火算法高效搜索化学空间

原创 Cell Press CellPress细胞科学

物质科学 Physical science

作为世界领先的全科学领域学术出版社，细胞出版社特与“中国科学院青年创新促进会”合作开设“青促会述评”专栏，以期增进学术互动，促进国际交流。

2022年第四十二期（总第127期）专栏文章，由来自中国科学院山西煤炭化学研究所副研究员 中国科学院青促会会员 刘星辰，就 Matter中的论文发表述评。

具有优异性能材料的发现对太阳能捕获、催化、发光、传感等许多领域具有重要的意义。这些性能可能包括高d-带中心、高稳定性、适度的带宽、低的过电位等。搜寻性能优异材料的问题本质上是一个高维化学空间中的全局优化问题。传统上在化学空间中对材料的采样一直依赖于密度泛函理论计算方法和遗传算法、贝叶斯优化等传统优化算法。为了实现材料性能的快速预测，近年来越来越多的替代模型和算法被开发和报导。

长按图片扫描二维码阅读论文

Choubisa等人于2022年12月13日发表在Cell Press旗下期刊Matter 的这篇文章中，报道了一种基于量子退火原理的量子衍生集团展开方法(Quantum-inspired Cluster Expansion, QCE)，实现了在材料搜索效率上相对传统算法几个数量级的提升。

▲图1 将集团展开映射到伊辛模型

传统基于机器学习替代模型的材料搜索方法主要受限于：（1）可能会产生大量不合理的结构；（2）化学空间过于庞大，而算法的搜索效率有限。Choubisa等人的QCE方法通过将集团展开（Cluster Expansion）映射到伊辛模型（Ising model），将化学空间的搜索问题转化为伊辛模型中的求基态问题，从而实现了利用非常高效的量子退火算法来搜索化学空间的目的（图1）。具体来说，该方法以富士通研究所针对快速解决组合优化问题所开发的，并有配套专用芯片（Digital Annealer Unit，DAU）的数字退火（Digital Annealer）算法为搜索引擎，然后通过将集团展开中的基函数表示为晶体中每个原子位点上基函数（可编码为二进制变量）的线性组合，实现了将材料性能直接以二进制变量展开为一个二次无约束二值优化表达式，并利用数字退火算法进行优化。

在Choubisa等人的工作中，他们以在ZrO2和RuO2晶格基础上进行原子替换的合金体系用于酸性介质中的析氧反应（OER）电催化剂为例，展示了QCE方法对材料化学空间的强大搜索能力。良好的OER需要同时具备高稳定性和高催化活性的特点。针对稳定性和催化活性，文中分别基于DFT计算建立了描述模型，并进行了精确性验证（图2）。其中稳定性（Hstable）主要通过原子混合焓（Enthalpy of Mixing）来描述，而催化性能（Heff）则表达为p-带中心、d-带中心、混合焓三者的线性组合。最终的催化剂性能指标则是稳定性与催化活性的线性组合。

▲图2 用于描述OER催化剂性能的近似模型和集团展开模型的训练

为了验证所预测的催化剂性能的优异性，Choubisa等人将49种催化剂通过溶胶-凝胶法进行了实验合成，并利用X-射线晶体衍射，高分辨透射电镜等技术进行了结构表征（图3）。结果表明实验测定的催化剂过电位趋势与基于QCE方法预测的非常吻合，二者之间仅有一个0.71的系数差。该研究最终发现一种多金属氧化物Ru0.58Cr0.25Mn0.09Sb0.08O2 结构具有最高的质量比活性（8倍于RuO2），且其稳定性也远好于RuO2，因此是一种性能优异的析氧催化剂。

▲图3 对预测的49种催化剂的实验合成和结构、OER催化性能表征

进一步对这种性能最佳的催化剂的电子结构分析（图4）表明Ru0.58Cr0.25Mn0.09Sb0.08O2 这种结构中Ru原子的平均电荷从RuO2中的1.73 e 增加到了1.82 e，从而使其可具有更好的氧化水形成氧的能力；而态密度分析则表明这种催化剂在费米能级的电子占据从RuO2中的38态/自旋降到了18态/自旋，导致了金属原子之间更强的相互作用力，从而增强了其在溶液中的稳定性。

▲图4 对预测出的最佳催化剂的电子结构分析和OER反应自由能计算

论文摘要

发展精确和高效的搜索算法对于加速具有优异性能材料的发现至关重要。量子退火和类似的量子衍生优化算法在解决组合优化问题的计算效率提高上有很大的潜力。然而由于缺乏合适的优化映射方法，这些算法尚未被用于新材料的发现研究中。在本文中，通过结合集团展开方法和一种量子衍生叠加技术，我们首次成功地将量子退火算法用于化学空间的探索。这个方法使得对具有特定性能材料的搜索效率相对于遗传算法或贝叶斯优化算法有了10-50倍的提高，而且大幅提高了对于基态预测的精确性。我们将这个方法用于酸性介质中的析氧反应，并发现了一个性能非常优异且尚未被报道的系列化合物Ru-Cr-Mn-Sb-O2。其中一种最佳催化剂的质量比活性相对于目前所知最优的RuO2有8倍的提高，并且其催化性能可保持180小时。

To enable the accelerated discovery of materials with desirable properties, it is critical to develop accurate and efficient search algorithms. Quantum annealers and similar quantum-inspired optimizers have the potential to provide accelerated computation for certain combinatorial optimization challenges. However, they have not been exploited for materials discovery due to absence of compatible optimization mapping methods. Here by combining cluster expansion with a quantum-inspired superposition technique, we lever quantum annealers in chemical space exploration for the first time. This approach enables us to accelerate the search of materials with desirable properties 10-50 times faster than genetic algorithms and bayesian optimizations, with a significant improvement in ground state prediction accuracy. We apply this to the discovery of acidic oxygen evolution reaction catalysts and find a promising previously unexplored chemical family of Ru-Cr-Mn-Sb-O2. The best catalyst show a mass activity 8 times higher than state-of-art RuO2 and maintains performance for 180 hours.

向下滑动阅览摘要原文

中文内容仅供参考，请以英文原文为准

评述人简介

刘星辰

中国科学院山西煤炭化学研究所副研究员

中国科学院青促会会员

liuxingchen@sxicc.ac.cn

刘星辰，中国科学院山西煤炭化学研究所副研究员，中科院青年创新促进会会员。主要从事基于多尺度模拟方法的多相热催化过程动态模拟，以及结合多尺度模拟和人工智能方法设计热催化固体催化剂。在Sci. Adv., J Am. Chem. Soc., Angew. Chem. Int. Ed., ACS Catal.等发表一作&通讯论文30余篇，担任The Innovation青年编委。

Xingchen Liu is an associate professor at Institute of Coal Chemistry, Chinese Academy of Sciences. He has been a member of the Youth Innovation Promotion Association CAS since 2020. His research focuses on the multi-scale modelling of thermo-catalytic processes, and the design of thermo-catalysts combining multi-scale modelling and Artificial Intelligence. As the first author or the corresponding author, he has published more than 30 papers on international journals including Sci. Adv., J Am. Chem. Soc., Angew. Chem. Int. Ed., and ACS Catal.

中国科学院青年创新促进会（Youth Innovation Promotion Association，Chinese Academy of Sciences）于2011年6月成立，是中科院对青年科技人才进行综合培养的创新举措，旨在通过有效组织和支持，团结、凝聚全院的青年科技工作者，拓宽学术视野，促进相互交流和学科交叉，提升科研活动组织能力，培养造就新一代学术技术带头人。

Youth Innovation Promotion Association (YIPA) was founded in 2011 by the Chinese Academy of Science (CAS). It aims to provide support for excellent young scientists by promoting their academic vision and interdisciplinary research. YIPA has currently more than 4000 members from 109 institutions and across multiple disciplines, including Life Sciences, Earth Science, Chemistry& Material, Mathematics & Physics, and Engineering. They are organized in 6 discipline branches and 13 local branches.

哺乳期膳食纤维摄入不足导致后代菌群失调且易胖 | Cell Press 青促会述评

阅读原文