AI4S·文献解码｜催化配方空间的「智能导航」：主动学习，怎样让实验“少而精”？

合成气制高级醇（Higher Alcohol Synthesis, HAS）的催化剂配方空间，仅FeCoCuZr四元体系就藏着超过17万种可能的成分组合；若叠加反应条件，更是指数级膨胀。传统高通量筛选虽能快速生成大量数据，但本质上仍是「均匀撒网」——大量实验落在低价值区域，真正能带来突破性认知的样本反而被淹没。2024年，苏黎世联邦理工学院Pérez-Ramírez团队在Nature Communications上发表的这项工作，给出了一条更聪明的路线：让主动学习充当催化实验的「智能导航仪」，仅用86次迭代实验便找到性能提升约5倍的新配方。那么，主动学习到底解决了什么？它又是如何在「少数据」与「高维度」之间架桥的？

组合爆炸：多组分催化剂设计的搜索困境

要回答问题之前，得先看清催化研发究竟卡在了哪里。

高级醇（C2+醇）是重要的化工原料与燃料添加剂，既能提升汽油辛烷值，又可作为平台分子用于合成塑料、溶剂及药物中间体。由煤、生物质或捕集的CO2经合成气转化制高级醇，是实现碳循环利用的关键路径。然而，这类反应对催化剂的要求近乎苛刻，甚至自相矛盾：活性位点既要促进碳链增长（C–C偶联），又要确保CO能够顺利插入生成醇类；同时还需强力抑制甲烷化和CO2生成，并避免过度加氢导致烷烃副产。单一金属几乎无法同时满足这些条件，因此工业催化剂往往是包含Fe、Co、Cu、Zr等多种元素的复杂合金或氧化物。

这种多组分特性直接引爆了搜索空间。仅FeCoCuZr四元体系中主成分的比例变化，可行配方就超过17.5万种；若再将温度、压力、H2/CO比、空速等反应条件纳入考量，穷尽搜索更是不切实际。传统高通量筛选虽能并行制备数十甚至上百个样品，但本质上仍是「均匀撒网」——研究者只能预先划定测试网格，却无法预知哪些区域值得深耕，大量实验因此不可避免地落在性能平庸的区域。更现实的是，单次催化性能测试就需要数小时甚至数天，材料的合成与表征更是耗时耗力。若无智能化的搜索引导，即便拥有最先进的高通量平台，研究者仍将陷入“硬件越来越快，决策越来越慢”的尴尬境地。

更棘手的是，多目标之间的内在冲突无处不在：提高高级醇产率，往往伴随着CO2和CH4副产物的增加；提升选择性，又可能牺牲催化剂的活性和长期稳定性。专家的经验固然能大致缩小范围，却难以系统性地揭示隐藏在最优解背后的化学权衡，更无法在数十万种可能性中精确定位真正的“黄金配方”。

主动学习：从「撒网」到「导航」

既然传统路径走不通，那么主动学习能带来什么改变？

主动学习的核心理念很简单：不做一次性的大规模数据采集，而是让模型自己判断——「下一个样本，测哪个最值？」它将催化剂的成分与反应条件定义为一个高维输入空间，优化的目标则锁定为三项指标：高级醇时空产率（STYHA）、高级醇选择性（SHA），以及副产物（CO₂+CH₄）的选择性。

建模的核心工具是高斯过程，其独特之处在于不仅能预测目标值，还能给出预测的不确定性——也就是模型对自己判断的置信度。而这种不确定性，恰恰是主动学习的「燃料」。算法据此决策：对某个区域越不确定，就越值得投入实验去探索；反之，若模型已高度确信某区域表现平庸，便无需再浪费资源。在此基础上，贝叶斯优化的采集函数负责在「探索未知」与「利用已知」之间动态切换。研究交替使用了两种策略：期望提升（EI） 优先推荐可能带来最大性能飞跃的配方，预测方差（PV） 则倾向于推荐模型最不确定、信息增益最大的配方。两者交替使用，既避免了在已知高峰附近重复采样，也防止了盲目探索毫无潜力的角落。打个通俗的比方：EI像是每次都去评分最高的餐厅，PV则专挑评价最少的店试试运气。两种策略轮番上阵，让探索既有方向又不失广度。

如此一来，86次实验的「信息密度」远超同等数量的随机或网格采样——每一次迭代，都在逼近最优解的同时，不断扩充模型的认知边界。

除算法设计之外，这套框架在操作层面还有一个容易被忽略的考量：它并非完全交给算法自动运行，而是保留了研究者在关键环节的判断权。模型负责基于概率推理推荐候选配方，但最终是否采纳，由研究者根据合成可行性、表征成本和先验知识来拍板。论文特别指出，在早期迭代中，正是这种人工筛选有效避免了算法因数据稀疏而给出不可行的荒唐建议——这相当于用领域知识为「模型幻觉」系上了一道安全带。

三阶段主动学习闭环：成分→条件→多目标

理论框架搭好了，这套方法在实际中如何操作？研究者将整个优化过程拆解为三个阶段，层层递进。

图1｜主动学习催化剂开发的工作流与三阶段策略

第一阶段：锁定最优成分。研究者以31个已有配方（FeCoZr、FeCuZr、CuCoZr）作为种子数据，训练初始高斯过程模型；每轮迭代，模型在成分空间中推荐6个新配方，经实验验证后加入数据集，再重新训练模型。如此循环5轮后，团队绘制出了完整的“成分–性能”地图。聚类分析显示，这些催化剂可归为四类，其中富Fe型普遍表现出更高的STYHA，而富Zr型则倾向低活性。最终，Fe65Co19Cu5Zr11脱颖而出——在后续优化的反应条件下，其高级醇产率达到1.1 gHA·h-1·gcat-1，约为文献平均水平的5倍，并在150小时的连续运行中保持稳定。

第二阶段：放开反应条件。在固定成分的基础上，模型将优化维度扩展至元素含量、温度、H2/CO比和空速（GHSV），同时搜索成分与工艺条件。经过6轮迭代，STYHA从种子数据阶段的约0.25跃升至1.1以上。更有价值的是，模型的预测值与实测值之间的决定系数（R²）达到了0.91，证明它已能准确捕捉成分–条件–性能之间的复杂非线性关系——这意味着它已具备作为后续虚拟筛选工具的可靠能力。

第三阶段：多目标博弈。研究者不再只盯着STYHA这一个指标，而是将CO2与CH4的联合选择性也纳入优化目标，追求“高产率”与“低副产物”之间的最佳平衡。通过多目标采集函数，系统在Pareto前沿上主动采样，三轮迭代后显著扩展了可行解的边界——原先只能在高产率与高副产物之间二选一，如今涌现出多个同时在两项指标上接近最优的配方。这正是主动学习相对于单目标筛选的进阶价值：它帮助研究者看清目标之间的内在权衡，而非盲目地追逐单一数字。

这种分阶段策略还有一个容易被忽略的隐性优势：它将一个原本高维且混乱的全局优化问题，拆解为三个可解释、可独立验证的子问题。研究者可以在每个阶段独立判断模型是否收敛、数据是否充足、目标设定是否合理——每一步都有据可查，大大降低了“黑箱优化”带来的不确定感。

图2｜多目标主动学习与可解释性。a）多目标优化前后的Pareto前沿对比；b）循环过程中产物选择性变化；c）影响STYHA、副产物选择性与高级醇选择性的关键参数雷达图

从数据到机理：可解释性与稳定性验证

发现高性能配方只是第一步，理解「它为什么更好」才能形成可迁移的知识。为此，团队对优势配方进行了系统表征。STEM-EDX 确认了Fe、Co、Cu、Zr在载体上高度分散——这是活性位点充分暴露的前提。XPS 则揭示Zr以Zr4+形式存在，并伴有碳化物信号，暗示其在稳定活性相、调控表面酸碱性中扮演关键角色。H2-TPR 进一步表明，Cu的加入降低了还原温度，促进了Fe/Co活性相的协同活化。三者相互印证，勾勒出“高度分散–表面调控–低温活化”的性能来源图谱。

图3｜最优催化剂与参考催化剂的表征对比

表征结果的价值不止于解释机理——它们同时为模型迭代提供了硬约束，将实验发现反哺到下一轮预测中。稳定性测试也给出了令人鼓舞的信号：最优配方在150小时内连续运行，产物分布未见明显漂移，初步展现了工业应用的潜力。而雷达图呈现的特征重要性则进一步揭示了调控规律：温度是抑制副产物的关键杠杆，空速则更直接地左右产率高低。至此，主动学习已不再是单纯的“寻优工具”，而是一个串联起合成、测试、表征、建模与解释的完整研发闭环。

总结与洞见

86次实验，环境足迹与成本降低90%以上——这是论文反复强调的一组数据。在绿色化学日益受到重视的今天，这本身就是重要的方法论进步，也让中小规模实验室看到了参与高水平竞争的可能。

但主动学习的意义远不止于此。它正在把催化研究从“先试错、后总结”的线性路径，带向“小数据启动、模型引导、迭代收敛”的螺旋上升模式——尤其适合那些数据昂贵、维度高、目标间存在冲突的领域，如电催化、光催化、酶催化、聚合物合成。其核心在于人机协同：模型负责指路，专家负责拍板。分工清晰，反而让研发更高效、更稳健，也更容易融入实验室的日常节奏。

这项由ETH Zurich的Javier Pérez-Ramírez团队完成、发表于Nature Communications的工作，正是这一理念的生动实践。它以高斯过程和贝叶斯优化为核心，通过三阶段闭环设计，仅用86次实验便完成了对超过17万种可能性的高效探索，最终锁定Fe65Co19Cu5Zr₁₁这一高产率、长寿命的催化剂。

该工作的最大启示，在于将AI4S在催化中的应用从“炫技式自动化”拉回到“人机协同的理性设计”轨道。它提醒我们：人工智能的真正角色不是替代人类化学家，而是将人类的直觉与判断力，放大到一个高维、非线性的决策空间中。当每一次实验都成为对模型的有效训练，催化研发便不再是盲目的试错，而是一场有导航、有反馈、有解释的远征。

对于中国催化研究而言，这既是一条可以立刻落地的技术路线，也是一次从“跟跑”到“并跑”甚至“领跑”的机遇。关键在于，我们是否愿意释放分散的实验数据，让算法学会与人类专家并肩前行。这条路，值得一试。