新刊推荐 | Catal 论文：图神经网络重塑绿色氢能电催化剂设计范式

研究性论文 

绿色氢能是全球能源转型的关键，而高效电催化剂的设计一直面临巨大挑战。传统方法依赖化学直觉和昂贵的DFT计算，难以覆盖庞大的化学空间。Catal 最新综述指出，图神经网络（GNNs）正在重塑电催化剂设计范式，通过直接学习原子图结构，突破人工特征工程的瓶颈，大幅提升预测精度。  

研究亮点

• 范式转变： 从传统机器学习到GNN，综述系统解析不变型、等变型及Transformer架构，揭示其在捕捉复杂几何与拓扑信息上的优势。 

• 应用突破：GNN成功用于氢析出反应（HER）和氧析出反应（OER）催化剂设计，发现高性能非贵金属催化剂、IrO₂亚稳相及单原子催化剂。

• AI与数据库融合： 借助开放催化剂数据集（OC20/OC22），GNN驱动的高通量筛选相比DFT降低计算成本超10倍。 

• 未来展望： 推动物理约束GNN、多目标优化及闭环研发体系，构建“预测—合成—反馈”一体化新模式。 

研究意义

• 加速绿色氢能技术： GNN驱动设计减少对昂贵实验和模拟的依赖，显著缩短电催化剂研发周期，助力全球脱碳目标。 

• 连接AI与物理科学：该研究展示了“科学AI”如何融合深度学习与物理规律，为理性催化剂设计和自主发现开辟新路径。 

论文信息

董文浩，王琪，任丽萍，魏金佳，沈少华*，陈杰* 

单位：西安交通大学；多相流国家重点实验室；西交苏州研究院 

期刊介绍

Catal 是Springer旗下一本专注于催化方向的开放获取新刊。这本期刊旨在发表具有独创意义的重要工作。期刊将以催化应用为导向，促进基础研究学者和工业工程师之间具有包容性的沟通，更加有效地发布有关创新技术和实际应用的重要研究成果。 

关于Catal

• 目标影响因子20 

• 优先考虑关键催化应用方向的研究工作 

• 关注青年研究人员 

• 提供文章出版费用（APC）豁免 

如果您想申请APC豁免，请邮件咨询[email protected]!