摘要：中国科学家开发出一种具备聚焦注意力机制的新型图神经网络模型，准确预测双金属催化剂中的长程相互作用（LRIs），大幅提升催化性能筛选效率，并获得实验验证。

中国科学家开发出一种具备聚焦注意力机制的新型图神经网络模型，准确预测双金属催化剂中的长程相互作用（LRIs），大幅提升催化性能筛选效率，并获得实验验证。

在电催化领域，单原子催化剂（SACs）因高催化活性和金属利用率而备受关注，但其性能仍有提升空间。双金属催化剂（DMCs）通过长程电子相互作用展现出更强的协同效应，有望成为下一代高性能催化材料。然而，LRIs 的复杂性与金属间距离的巨大搜索空间，令实验与传统理论方法难以系统探索其规律。

研究团队构建了新型图卷积神经网络模型“GCN-RBFA”，结合残差模块与聚焦注意力机制，提升模型对关键原子特征的提取能力。通过扫描14种金属元素组合和65种几何排布，在氮掺杂石墨烯上生成了12740个吸附位点的数据集。模型训练目标为预测关键中间体 OH 的吸附自由能（ΔG*OH），同时利用 t-SNE 可视化方法解析注意力机制的内部逻辑。

GCN-RBFA 模型在 ΔG*OH 预测中取得 0.067 eV 的平均绝对误差（MAE），相较传统 GCN 模型（0.161 eV）提升约 58.4%。模型可有效识别对催化性能有利和不利的金属组合及其排布，如 FeCo-DMC 与 CuZn-DMC 显著优于 CuTi-DMC 等组合。实验结果进一步验证了模型的预测准确性，特别是在氧还原反应（ORR）与锌-空气电池性能测试中，FeCo-DMC 表现优异，优于商业 Pt/C 催化剂。

来源：小贺科技讲堂