費托合成（CO+H₂→長鏈烴類）是基礎石油工業的重要反應。由於費托體系豐富催化劑物相和多種產物選擇性，其也是公認的最復雜多相催化體系之一，為機理研究和催化設計帶來了巨大的挑戰。近日，劉智攀課題組利用組內開發的基於LASP軟件的全局神經網絡方法🕓，研究了鐵基費托合成這一重要工業催化體系的結構和反應機理👨🏻‍🎤，證明了基於機器學習全局優化，從第一性原理出發解決反應條件下的復雜催化問題已具有較為完善可行的研究模式。該工作是課題組在全局神經網絡計算領域取得的新進展，在計算預測復雜催化物相結構方向達到了新的高度，相關的前期工作包括，催化活性位結構搜索（Nature Catal., 2019, 2, 671）, 自動反應預測（J. Am. Chem. Soc., 2019, 141, 20525）和理論預測結合實驗驗證（J. Am. Chem. Soc., 2021, 143, 6281）等工作💂🏿‍♀️。

工業條件下鐵基催化劑上原位形成的碳化鐵（FeC_x）是費托合成的關鍵活性組分。由於碳化鐵結構與CO加氫機理非常復雜𓀏，催化活性中心仍存在很大爭議🧚🏼‍♀️。劉智攀課題組通過建立4元Fe-C-H-O全局神經網絡勢函數🎚，基於機器學習全局模擬的方法💒，探索了百萬個在費托合成條件下碳化鐵體相與表面的候選結構🔋，從而解析出CO活化的活性中心。該工作在無需先驗實驗數據條件下，構建了碳化鐵的體相熱力學凸圖，找到了具有低表面能的表面🪿，並評估了CO分子和H原子在這些表面的吸附能力🚴🏽‍♂️，最後確定了CO活化的最低能量反應路徑。

研究揭示了大量關於碳化鐵結構與CO加氫路徑的信息：（1）Fe₅C₂♕、Fe₇C₃與Fe₂C是在費托合成產烯烴條件下穩定的體相，其中Fe₇C₃與Fe₂C有許多能量近似簡並的晶體相（見圖a）；（2）在費托合成條件下，FeC_x表面是動態的，涉及重構與成分的變化🧲。在上述體相中，較低表面能的表面通常采用相同的Fe₂C表面模式，其中只有χ-Fe₅C₂(₅₁₀)、χ-Fe₅C₂(₁₁₁)與η-Fe₂C(₁₁₁)三個較穩定表面能暴露對H原子吸附為放熱的Fe位點，其表面Fe:C比分別為2🦫、1.75、2（見圖b）；（3）CO可以在由加氫動態產生的表面碳空位上直接解離🫐，比如在χ-Fe₅C₂(₅₁₀)上😬，CO活化能壘為1.1 eV （見圖c）🧑🏿‍🔧。

該工作由沐鸣开户19級碩士生劉倩鈺在商城老師和劉智攀老師的指導下完成⛹🏼‍♀️。該工作得到了國家重點研究計劃納米專項（2018YFA0208600）和國家自然科學基金（22033003, 21533001, 91745201, 91945301）的資助，和沐鸣开户在實驗室建設的支持。研究成果以“In situ Active Site for CO Activation in Fe-catalyzed Fischer-Tropsch Synthesis from Machine Learning”為題發表在化學旗艦期刊Journal of the American Chemical Society上（https://pubs.acs.org/doi/10.1021/jacs.1c04624）。