由国防科技大学、国家超级计算天津中心、湖南大学等组成的联合团队，在天河新一代超级计算机上完成了缓解能源危机进程的百万催化剂筛选。
作为与人类生存息息相关的问题，缓解能源危机进程对可替代能源的开发产生迫切需求。其中，探索高效催化剂材料是开发可替代能源最具竞争力的解决方案之一，其本质是对能源催化反应的反应中间体在表面的吸附能作为描述符来评估材料表面催化活性并进行高效筛选。面对巨大的材料结构搜索空间和复杂的表面活性位点，可以通过材料模型智能构建、第一性原理计算任务智能配置和管理、以及机器学习辅助高通量计算实现针对不同能源催化反应的高效催化剂材料的准确预测和筛选。
催化材料的元素分布及构成示意图
该团队所研究的材料由2771种二元和三元合金构成的205046个独特表面构成，总共产生271万吸附点模型。该团队采用HPC+AI技术对百万吸附点模型开展析氢反应、吸氧反应和二氧化碳的还原反应研究，先利用基于遗传算法的自动化机器学习工具进行筛选，结合电催化火山型曲线，再在该基础上利用第一性原理计算进行二次筛选，通过多轮机器学习—第一性原理筛选迭代，实现以析氢反应为主的高效催化剂命中：在20天时间内利用总共约18016节点并行计算筛选出868种合金的2028个高效催化表面。该团队在天河新一代超级计算机的支撑下，基于HPC+AI的材料筛选规模相比天河一号超级计算机提升200倍、整体效能提升144倍。基于AI赋能高通量材料计算的高效电催化筛选，最佳单日高效催化材料表面筛选数为569个，高于之前卡内基梅隆大学研究者一年时间筛选出的389个高效催化材料表面规模。
高效催化剂筛选过程
该项成果筛选出的高效催化剂具备降低化学转化能垒的潜力，为促进替代能源的开发和高效可持续利用，减缓以化石燃料危害为代表的能源危机进程提供了新的高效方法。
