夜雨聆风
第一作者：杨如玉，周东来，贾子衿，韩玉兰
通讯作者：黄炎，江俊，朱青
通讯单位：中国科学技术大学，河南智慧创制研究所，合肥国家实验室
论文DOI：doi.org/10.1002/anie.8794274
电催化析氯反应（CER）是现代氯碱工业的核心过程，但传统贵金属RuO2催化剂普遍存在析氧副反应严重、选择性不足、成本高昂等问题。高熵钌基氧化物（Ru-HEO）因其可调电子结构与多元协同效应，被认为是极具潜力的新一代CER催化材料。然而，其复杂的“组成—结构—性能”耦合关系，使材料设计与优化面临巨大挑战。针对上述问题，本研究构建了基于Pareto前沿引导的多目标贝叶斯优化框架，并结合自动化高通量实验平台，实现了五元Ru-HEO体系多目标协同优化的自主探索与闭环优化，在催化活性、Cl2产物选择性及材料成本之间建立权衡优化策略，成功筛选出兼具高性能与低贵金属含量的材料组成。其优化后的Ru-HEO催化剂仅含8.4 at% Ru，在1.50 V vs. RHE条件下即可实现高达5083 A g-1Ru的质量活性，并稳定运行超过100 h，其综合性能显著优于商业RuO2及目前已报道的先进CER催化剂。此外，将该催化剂集成于光伏-电化学（PV-EC）耦合装置后，在模拟昼夜光照条件下仍可保持超过95%的Cl2选择性，实现最高14.6%的太阳能-化学能转化效率（STC）。本研究建立了一种融合人工智能模型、多目标优化算法与机器人自动化实验的闭环加速研究范式，为高性能电催化材料的快速发现与可持续化学品制造提供了通用且高效的新路径。
氯气是现代化工中重要的基础化学品，广泛应用于水处理、高分子材料等领域，其工业生产主要依赖氯碱工业中的电催化析氯反应。随着绿色化工与低碳制造需求不断提升，开发高效率、高选择性且低成本的析氯催化剂成为重要研究方向。商业CER催化剂主要采用RuO2等贵金属氧化物，虽具有较高活性，但仍面临贵金属用量高、析氧副反应严重等问题，限制了工业生产过程的进一步降本增效。因此，如何在降低Ru用量的同时，实现催化活性、选择性、稳定性的协同优化，成为当前CER研究的核心挑战。
近年来，高熵材料因其独特的多元素协同效应、可调电子结构以及丰富的局域配位环境，在电催化领域展现出巨大潜力。通过引入多种金属元素，高熵体系能够突破传统单一组分材料的性能限制，为构建高性能析氯催化剂提供了新的思路。然而，高熵催化剂具有极其庞大的组成空间，传统依赖经验与“试错法”的研发方式效率低、周期长，难以快速找到最优材料。人工智能与自动化实验技术的发展，正在推动材料科学研究范式的革新。人工智能能够从复杂实验数据中快速挖掘规律，而机器人自动化平台则可实现高通量制备与测试，为复杂材料体系的自主优化提供了坚实数据基础。基于此，本研究面向高熵析氯催化剂体系，构建了结合多目标贝叶斯优化与机器人实验平台的闭环自主优化框架，实现了对活性、氯气选择性及材料成本的协同优化，为绿色氯碱工业与智能化材料研发提供了新的技术路径。
1. AI+机器人闭环研发体系，实现复杂高熵催化剂的智能自主发现：将自然语言处理、大语言模型、多目标贝叶斯优化与机器人自动化实验平台深度融合，实现了复杂组成空间的高效探索，突破了传统催化剂研发依赖人工经验与低效试错的瓶颈，大幅提升材料发现效率。
2. 多目标协同优化策略，实现活性、选择性与成本的平衡突破：研究构建了基于Pareto前沿引导的多目标贝叶斯优化框架，实现了催化活性、Cl2产物选择性与催化剂成本之间的协同优化。该策略突破了单一性能导向的传统优化思路，为面向实际应用的复杂电催化体系多目标性能设计提供了通用方法论。
3. 开发了低Ru含量高性能的析氯催化剂：成功筛选出一系列五元高熵析氯催化剂，其中最优催化剂仅含8.4 at% Ru，却展现出远超商业RuO2的质量活性与长期稳定性，同时保持超过95%的Cl2选择性，为低成本高效CER催化剂开发提供了新方向。
4. 太阳能驱动海水制氯展现绿色化工应用潜力：研究进一步构建了PV-EC耦合体系，该催化剂在宽幅光照条件下仍可保持稳定运行，输出电流与Cl2选择性长期稳定，展现出良好的实际应用潜力。
图1 AI驱动的自主实验平台工作流程示意图
本工作首先依托自然语言处理技术对海量文献进行智能挖掘与知识提取；再通过科研人员与大语言模型的人机交互，将文献理论知识与科研经验转化为机器人可识别、可执行的标准化实验指令。结合高通量自动化实验平台，实现材料的快速制备、原位表征与自动化性能测试。研究团队引入多目标优化算法，对海量实验数据进行智能筛选，快速遴选出兼具高催化活性、高Cl2选择性与低成本特性的优质高熵催化剂。优化后的高性能催化剂成功应用于太阳能驱动海水电解体系，为绿色氯碱化工产业化应用提供了可靠的原型器件验证与技术支撑。
图2 高熵催化剂自主合成与高通量筛选平台
高通量实验平台实现了高熵催化剂从合成、表征到性能测试的全流程自动化。平台集成粉末处理、液体分配、超声分散、催化剂负载及程序化退火等自动化模块，并通过搭载于AGV平台上的六自由度机械臂完成不同实验单元间的自主协同转运。X射线衍射与电化学测试模块可实时获取材料结构与催化性能数据，并自动反馈至数据库与优化算法，实现催化剂组成的持续迭代优化。基于该平台，研究团队对Ru基高熵氧化物催化剂进行了高通量智能迭代，筛选并发现高熵组成空间中存在复杂而丰富的性能分布特征。
图3 多目标贝叶斯优化与机器学习模型可解释性分析
进一步利用多目标贝叶斯优化算法，对Ru基高熵催化剂进行组分迭代优化指导。随着五轮优化循环不断推进，算法能够在催化活性、Cl2选择性与材料成本之间持续寻找更多的平衡解。同时，电流密度、Cl2选择性与成本分布也逐步向高活性、高选择性区域集中，体现出闭环优化体系对复杂高熵组成空间的高效搜索能力。Spearman相关性分析与模型可解释性证实高熵催化剂性能受到多元素复杂非线性耦合作用影响。
图4 优化催化剂的多目标性能与结构解析
机器学习指导下获得的全能型高熵催化剂在催化活性、Cl2选择性与材料成本之间实现了优异平衡。LSV显示，该催化剂在含0.5 M NaCl强酸性电解液中表现出更高的电流响应与更低的反应过电位，同时相比传统单目标优化催化剂，其能够同时兼顾高活性与高选择性。电化学活性表面积分析表明，该材料具有丰富的活性位点，有利于提升界面反应动力学。此外，在10 mA cm-2条件下连续运行100小时后，催化剂仍保持稳定电流输出与优异析氯选择性。结构表征结果显示，各金属元素在催化剂中均匀分布，径向分布函数G(r)分析进一步证实，该材料具有丰富的局域配位环境与结构无序特征，其无定形结构有助于优化电子结构与表面反应行为。
图5 原位光谱表征揭示反应机制与绿色太阳能制氯应用验证
采用X射线吸收光谱（XAS）对局域配位和电子态进行解析。XANES显示，优化后的Ru-HEO表现出更低的Ru配位数与更丰富的结构缺陷，小波变换分析也证实了多元素协同作用下复杂的局域结构特征。原位拉曼光谱表明，随着反应电位升高，优化后的高熵催化剂仍保持稳定的表面结构。微分电化学质谱（DEMS）结果进一步证实，反应过程中Cl2信号持续增强，而O2相关信号受到明显抑制，说明该催化剂能够有效促进析氯反应并抑制析氧副反应。此外，太阳能驱动的PV-EC耦合器件用于模拟海水电解制氯过程显示，该系统在不同光照强度下均能够稳定运行，电流密度与Cl2产率能够随太阳光强变化实现动态响应，展现出良好的太阳能适应能力与绿色制氯应用前景。
本研究将人工智能与机器人高通量实验平台深度融合，构建了面向高熵电催化材料的自主闭环优化体系，实现了复杂催化剂多性能目标的高效精准优化。基于Pareto前沿引导的多目标贝叶斯优化策略，研究团队在复杂五元高熵组成空间中实现了快速搜索与自主迭代，成功筛选出兼具高催化活性、高Cl2选择性与低贵金属成本的催化剂组成。应用验证结果表明，该策略不仅实现了高性能高熵析氯催化剂的快速发现，还成功构建了适用于酸性海水体系的太阳能驱动电化学制氯体系，展现出良好的稳定性与实际应用潜力。这一研究为绿色氯碱工业与可再生能源驱动化学品制造提供了新的技术路径。此外，所提出的AI驱动闭环研究范式具有良好的迁移能力，可进一步推广至氮还原、氧还原以及二氧化碳还原等复杂电催化体系。这些反应通常涉及多电子/质子耦合过程，普遍面临副反应竞争严重及对贵金属催化剂依赖度高等问题。本研究提出的多目标协同优化策略，为复杂电催化体系中活性、选择性、稳定性与成本之间的平衡优化提供了通用方法，也为未来高性能绿色电催化材料的自主发现与智能化研发提供了重要参考。
R. Yang, D. Zhou, Z. Jia, Y. Han, L. Tang, Z. Jiang, X. Tai, Y. Cai, W. Zhong, Y. Lin, H. Wang, J. Xu, Y. Huang, J. Jiang, Q. Zhu, Toward Practical Design of High-Entropy Catalysts for Chlorine Evolution Reaction via Pareto-Guided Multi-Objective Bayesian Optimization Enabled by a Robotic AI-Chemist. Angew. Chem. Int. Ed. 2026, e8794274.
