摘要：可持续能源与化工技术是实现全球脱碳目标的核心领域，而电催化剂技术在生产绿色氢气、电池燃料以及可循环化工产品方面具有不可替代的作用。然而，电催化剂的研发受限于复杂的实验条件和多样的操作环境。这种多样性对实验的对比与数据分析提出了严峻的挑战。为此，数据科学和先进的

可持续能源与化工技术是实现全球脱碳目标的核心领域，而电催化剂技术在生产绿色氢气、电池燃料以及可循环化工产品方面具有不可替代的作用。然而，电催化剂的研发受限于复杂的实验条件和多样的操作环境。这种多样性对实验的对比与数据分析提出了严峻的挑战。为此，数据科学和先进的计算模拟方法成为解决电催化研究挑战的重要工具。

近年来，大规模材料属性数据库如Materials Project和NOMAD等已经在加速材料研究方面发挥了重要作用。然而，这些数据库大多依赖密度泛函理论（DFT），在复杂电催化体系的模拟中存在一定局限。为了填补这一空白，美国国家可再生能源实验室（NREL）及其合作研究团队开发了“超越DFT电化学数据库”（BEAST DB）。

BEAST DB（Beyond-DFT Electrochemistry with Accelerated and Solvated Techniques）是一个开放式的大规模数据库，基于先进的Grand-Canonical密度泛函理论（GC-DFT）方法，整合了21,000余次表面计算，涵盖单原子催化剂、金属合金及其他材料。数据库中的每个条目包含特定材料、表面结构、吸附物和电极电位的精确计算结果，并支持用户查询单个计算细节或完整的反应路径。

BEAST DB通过高精度建模手段，显著改进了传统DFT方法无法模拟的电化学环境，特别是在应用电势和溶剂效应的考虑上。相比于传统的计算氢电极模型（CHE），BEAST DB的优势体现在对非质子-耦合电子转移（PCET）过程的描述以及更准确的反应能量景观预测。

数据库覆盖了四大类电化学反应路径：氢进化/氧化反应（HER/HOR）、氧还原/析氧反应（OER/ORR）、氮还原反应（NRR）和二氧化碳还原反应（CO2R）。例如，单原子催化剂(Co-MNC)在CO2还原中被预测为活性最优材料之一，这一结果与实验数据一致。

BEAST DB支持通过限制电位（UL）和最大能量跨度（Φmax）对催化剂进行筛选。这些描述符可用于比较不同催化剂在特定电位下的活性，同时揭示关键反应步骤对电位的敏感性。例如，研究表明不同电位下最活跃的催化剂排序会发生变化，这为针对性催化剂设计提供了新的视角。

数据库进一步展示了GC-DFT如何解析电位对反应步骤的复杂影响。例如，N2吸附在TiC表面时，吸附能随电位变化显著，表明电子结构的动态调整对反应的潜在促进作用。

为提升预测精度，团队计划通过RPA和GW方法生成更高阶计算数据，并开发基于机器学习的Δ学习模型，从DFT数据中预测GW准粒子能量。这将显著降低高精度计算的时间和成本。

来源：安卡达