合成氣制高級醇（Higher Alcohol Synthesis, HAS）的催化劑配方空間，僅FeCoCuZr四元體系就藏著超過17萬種可能的成分組合；若疊加反應(yīng)條件，更是指數(shù)級膨脹。傳統(tǒng)高通量篩選雖能快速生成大量數(shù)據(jù)，但本質(zhì)上仍是「均勻撒網(wǎng)」——大量實驗落在低價值區(qū)域，真正能帶來突破性認(rèn)知的樣本反而被淹沒。2024年，蘇黎世聯(lián)邦理工學(xué)院Pérez-Ramírez團隊在Nature Communications上發(fā)表的這項工作，給出了一條更聰明的路線：讓主動學(xué)習(xí)充當(dāng)催化實驗的「智能導(dǎo)航儀」，僅用86次迭代實驗便找到性能提升約5倍的新配方。那么，主動學(xué)習(xí)到底解決了什么？它又是如何在「少數(shù)據(jù)」與「高維度」之間架橋的？

組合爆炸：多組分催化劑設(shè)計的搜索困境

要回答問題之前，得先看清催化研發(fā)究竟卡在了哪里。

高級醇（C2+醇）是重要的化工原料與燃料添加劑，既能提升汽油辛烷值，又可作為平臺分子用于合成塑料、溶劑及藥物中間體。由煤、生物質(zhì)或捕集的CO2經(jīng)合成氣轉(zhuǎn)化制高級醇，是實現(xiàn)碳循環(huán)利用的關(guān)鍵路徑。然而，這類反應(yīng)對催化劑的要求近乎苛刻，甚至自相矛盾：活性位點既要促進碳鏈增長（C–C偶聯(lián)），又要確保CO能夠順利插入生成醇類；同時還需強力抑制甲烷化和CO2生成，并避免過度加氫導(dǎo)致烷烴副產(chǎn)。單一金屬幾乎無法同時滿足這些條件，因此工業(yè)催化劑往往是包含F(xiàn)e、Co、Cu、Zr等多種元素的復(fù)雜合金或氧化物。

這種多組分特性直接引爆了搜索空間。僅FeCoCuZr四元體系中主成分的比例變化，可行配方就超過17.5萬種；若再將溫度、壓力、H2/CO比、空速等反應(yīng)條件納入考量，窮盡搜索更是不切實際。傳統(tǒng)高通量篩選雖能并行制備數(shù)十甚至上百個樣品，但本質(zhì)上仍是「均勻撒網(wǎng)」——研究者只能預(yù)先劃定測試網(wǎng)格，卻無法預(yù)知哪些區(qū)域值得深耕，大量實驗因此不可避免地落在性能平庸的區(qū)域。更現(xiàn)實的是，單次催化性能測試就需要數(shù)小時甚至數(shù)天，材料的合成與表征更是耗時耗力。若無智能化的搜索引導(dǎo)，即便擁有高通量平臺，研究者仍將陷入“硬件越來越快，決策越來越慢"的尷尬境地。

更棘手的是，多目標(biāo)之間的內(nèi)在沖突無處不在：提高高級醇產(chǎn)率，往往伴隨著CO2和CH4副產(chǎn)物的增加；提升選擇性，又可能犧牲催化劑的活性和長期穩(wěn)定性。專家的經(jīng)驗固然能大致縮小范圍，卻難以系統(tǒng)性地揭示隱藏在背后的化學(xué)權(quán)衡，更無法在數(shù)十萬種可能性中精確定位真正的“黃金配方"。

主動學(xué)習(xí)：從「撒網(wǎng)」到「導(dǎo)航」

既然傳統(tǒng)路徑走不通，那么主動學(xué)習(xí)能帶來什么改變？

主動學(xué)習(xí)的核心理念很簡單：不做一次性的大規(guī)模數(shù)據(jù)采集，而是讓模型自己判斷——「下一個樣本，測哪個最值？」它將催化劑的成分與反應(yīng)條件定義為一個高維輸入空間，優(yōu)化的目標(biāo)則鎖定為三項指標(biāo)：高級醇時空產(chǎn)率（STYHA）、高級醇選擇性（SHA），以及副產(chǎn)物（CO?+CH?）的選擇性。

建模的核心工具是高斯過程，其獨特之處在于不僅能預(yù)測目標(biāo)值，還能給出預(yù)測的不確定性——也就是模型對自己判斷的置信度。而這種不確定性，恰恰是主動學(xué)習(xí)的「燃料」。算法據(jù)此決策：對某個區(qū)域越不確定，就越值得投入實驗去探索；反之，若模型已高度確信某區(qū)域表現(xiàn)平庸，便無需再浪費資源。在此基礎(chǔ)上，貝葉斯優(yōu)化的采集函數(shù)負(fù)責(zé)在「探索未知」與「利用已知」之間動態(tài)切換。研究交替使用了兩種策略：期望提升（EI） 優(yōu)先推薦可能帶來最大性能飛躍的配方，預(yù)測方差（PV） 則傾向于推薦模型最不確定、信息增益最大的配方。兩者交替使用，既避免了在已知高峰附近重復(fù)采樣，也防止了盲目探索毫無潛力的角落。打個通俗的比方：EI像是每次都去評分最高的餐廳，PV則專挑評價最少的店試試運氣。兩種策略輪番上陣，讓探索既有方向又不失廣度。

如此一來，86次實驗的「信息密度」遠(yuǎn)超同等數(shù)量的隨機或網(wǎng)格采樣——每一次迭代，都在不斷擴充模型的認(rèn)知邊界。

除算法設(shè)計之外，這套框架在操作層面還有一個容易被忽略的考量：它并非交給算法自動運行，而是保留了研究者在關(guān)鍵環(huán)節(jié)的判斷權(quán)。模型負(fù)責(zé)基于概率推理推薦候選配方，但最終是否采納，由研究者根據(jù)合成可行性、表征成本和先驗知識來拍板。論文特別指出，在早期迭代中，正是這種人工篩選有效避免了算法因數(shù)據(jù)稀疏而給出不可行的荒唐建議——這相當(dāng)于用領(lǐng)域知識為「模型幻覺」系上了一道安全帶。

三階段主動學(xué)習(xí)閉環(huán)：成分→條件→多目標(biāo)

理論框架搭好了，這套方法在實際中如何操作？研究者將整個優(yōu)化過程拆解為三個階段，層層遞進。

圖1｜主動學(xué)習(xí)催化劑開發(fā)的工作流與三階段策略

第一階段：鎖定成分。研究者以31個已有配方（FeCoZr、FeCuZr、CuCoZr）作為種子數(shù)據(jù)，訓(xùn)練初始高斯過程模型；每輪迭代，模型在成分空間中推薦6個新配方，經(jīng)實驗驗證后加入數(shù)據(jù)集，再重新訓(xùn)練模型。如此循環(huán)5輪后，團隊繪制出了完整的“成分–性能"地圖。聚類分析顯示，這些催化劑可歸為四類，其中富Fe型普遍表現(xiàn)出更高的STYHA，而富Zr型則傾向低活性。最終，F(xiàn)e65Co19Cu5Zr11脫穎而出——在后續(xù)優(yōu)化的反應(yīng)條件下，其高級醇產(chǎn)率達(dá)到1.1 gHA·h-1·gcat-1，約為文獻平均水平的5倍，并在150小時的連續(xù)運行中保持穩(wěn)定。

第二階段：放開反應(yīng)條件。在固定成分的基礎(chǔ)上，模型將優(yōu)化維度擴展至元素含量、溫度、H2/CO比和空速（GHSV），同時搜索成分與工藝條件。經(jīng)過6輪迭代，STYHA從種子數(shù)據(jù)階段的約0.25躍升至1.1以上。更有價值的是，模型的預(yù)測值與實測值之間的決定系數(shù)（R2）達(dá)到了0.91，證明它已能準(zhǔn)確捕捉成分–條件–性能之間的復(fù)雜非線性關(guān)系——這意味著它已具備作為后續(xù)虛擬篩選工具的可靠能力。

第三階段：多目標(biāo)博弈。研究者不再只盯著STYHA這一個指標(biāo)，而是將CO2與CH4的聯(lián)合選擇性也納入優(yōu)化目標(biāo)，追求“高產(chǎn)率"與“低副產(chǎn)物"之間的最佳平衡。通過多目標(biāo)采集函數(shù)，系統(tǒng)在Pareto前沿上主動采樣，三輪迭代后顯著擴展了可行解的邊界——原先只能在高產(chǎn)率與高副產(chǎn)物之間二選一，如今涌現(xiàn)出多個同時在兩項指標(biāo)上接近的配方。這正是主動學(xué)習(xí)相對于單目標(biāo)篩選的進階價值：它幫助研究者看清目標(biāo)之間的內(nèi)在權(quán)衡，而非盲目地追逐單一數(shù)字。

這種分階段策略還有一個容易被忽略的隱性優(yōu)勢：它將一個原本高維且混亂的全局優(yōu)化問題，拆解為三個可解釋、可獨立驗證的子問題。研究者可以在每個階段獨立判斷模型是否收斂、數(shù)據(jù)是否充足、目標(biāo)設(shè)定是否合理——每一步都有據(jù)可查，大大降低了“黑箱優(yōu)化"帶來的不確定感。

圖2｜多目標(biāo)主動學(xué)習(xí)與可解釋性。a）多目標(biāo)優(yōu)化前后的Pareto前沿對比；b）循環(huán)過程中產(chǎn)物選擇性變化；c）影響STYHA、副產(chǎn)物選擇性與高級醇選擇性的關(guān)鍵參數(shù)雷達(dá)圖

從數(shù)據(jù)到機理：可解釋性與穩(wěn)定性驗證

發(fā)現(xiàn)高性能配方只是第一步，理解「它為什么更好」才能形成可遷移的知識。為此，團隊對優(yōu)勢配方進行了系統(tǒng)表征。STEM-EDX 確認(rèn)了Fe、Co、Cu、Zr在載體上高度分散——這是活性位點充分暴露的前提。XPS 則揭示Zr以Zr4+形式存在，并伴有碳化物信號，暗示其在穩(wěn)定活性相、調(diào)控表面酸堿性中扮演關(guān)鍵角色。H2-TPR 進一步表明，Cu的加入降低了還原溫度，促進了Fe/Co活性相的協(xié)同活化。三者相互印證，勾勒出“高度分散–表面調(diào)控–低溫活化"的性能來源圖譜。

圖3｜催化劑與參考催化劑的表征對比

表征結(jié)果的價值不止于解釋機理——它們同時為模型迭代提供了硬約束，將實驗發(fā)現(xiàn)反哺到下一輪預(yù)測中。穩(wěn)定性測試也給出了令人鼓舞的信號：配方在150小時內(nèi)連續(xù)運行，產(chǎn)物分布未見明顯漂移，初步展現(xiàn)了工業(yè)應(yīng)用的潛力。而雷達(dá)圖呈現(xiàn)的特征重要性則進一步揭示了調(diào)控規(guī)律：溫度是抑制副產(chǎn)物的關(guān)鍵杠桿，空速則更直接地左右產(chǎn)率高低。至此，主動學(xué)習(xí)已不再是單純的“尋優(yōu)工具"，而是一個串聯(lián)起合成、測試、表征、建模與解釋的完整研發(fā)閉環(huán)。

總結(jié)與洞見

86次實驗，環(huán)境足跡與成本降低90%以上——這是論文反復(fù)強調(diào)的一組數(shù)據(jù)。在綠色化學(xué)日益受到重視的今天，這本身就是重要進步，也讓中小規(guī)模實驗室看到了參與高水平競爭的可能。

但主動學(xué)習(xí)的意義遠(yuǎn)不止于此。它正在把催化研究從“先試錯、后總結(jié)"的線性路徑，帶向“小數(shù)據(jù)啟動、模型引導(dǎo)、迭代收斂"的螺旋上升模式——尤其適合那些數(shù)據(jù)昂貴、維度高、目標(biāo)間存在沖突的領(lǐng)域，如電催化、光催化、酶催化、聚合物合成。其核心在于人機協(xié)同：模型負(fù)責(zé)指路，專家負(fù)責(zé)拍板。分工清晰，反而讓研發(fā)更高效、更穩(wěn)健，也更容易融入實驗室的日常節(jié)奏。

這項由ETH Zurich的Javier Pérez-Ramírez團隊完成、發(fā)表于Nature Communications的工作，正是這一理念的生動實踐。它以高斯過程和貝葉斯優(yōu)化為核心，通過三階段閉環(huán)設(shè)計，僅用86次實驗便完成了對超過17萬種可能性的高效探索，最終鎖定Fe65Co19Cu5Zr??這一高產(chǎn)率、長壽命的催化劑。

該工作的最大啟示，在于將AI4S在催化中的應(yīng)用從“炫技式自動化"拉回到“人機協(xié)同的理性設(shè)計"軌道。它提醒我們：人工智能的真正角色不是替代人類化學(xué)家，而是將人類的直覺與判斷力，放大到一個高維、非線性的決策空間中。當(dāng)每一次實驗都成為對模型的有效訓(xùn)練，催化研發(fā)便不再是盲目的試錯，而是一場有導(dǎo)航、有反饋、有解釋的遠(yuǎn)征。

對于中國催化研究而言，這既是一條可以立刻落地的技術(shù)路線，也是一次從“跟跑"到“并跑"的機遇。關(guān)鍵在于，我們是否愿意釋放分散的實驗數(shù)據(jù)，讓算法學(xué)會與人類專家并肩前行。這條路，值得一試。