作者：新义 审核：Glenn
声明：文章系作者授权新威研选发布，转载及相关事宜请联系小威（微信号：xinweiyanxuan3）。本文仅代表作者观点，如有不科学之处，请在留言区指正。
01
导读
几十年来，火星一直吸引着世界各国科学家探索和研究。在火星上寻找过去生命的迹象并建造可能适合居住的区域一直是人类的梦想。通过利用火星上的资源生产必要的供应品，实现可持续的探索。氧气供应必须是人类在火星上的任何活动的首要任务，因为火箭推进剂和生命维持系统消耗大量的氧气，而这些氧气无法从火星大气中得到补充。因此，使用火星上的材料开发火星催化剂来驱动氧气生产。然而，要利用火星当地的原料合成可用的OER催化剂，必须克服两个主要的技术挑战。首先，合成系统必须是无人驾驶和自我导向的，因为巨大的天文距离阻碍了人类的实时远程指导。其次，它应该配备所需的科学智能，通过人工智能(AI)算法有效地识别催化剂成分的最佳配方。自动化化学合成系统的最新研究进展 表明人工智能的机器人合成系统似乎可以解决这两个挑战。
02
成果背景
中国科学技术大学罗毅教授、江俊教授、尚伟伟副教授团队与深空探测实验室张哲研究员等人采用了机器化学家“小来”平台，高效融合人工智能和自动化机器实验，利用火星陨石制备优异的OER电催化剂。整个过程包括火星矿石预处理、催化剂合成、表征、测试，以及筛选最佳催化剂配方，均无需人工干预。多金属材料(包括Mn、Fe、Ni、Mg、Al和Ca)在电流密度为10 mA cm−2的情况下运行了55万多秒。此外，在模拟火星温度条件的-37°C的压力测试中，证实了它可以稳定地产生氧气而不会明显衰减，这表明它可以在火星的恶劣条件下工作。该工作以“Automated synthesis of oxygen-producing catalysts from Martian meteorites by a robotic AI chemist”为题发表在Nature Synthesis上。
03
关键创新
（1）“小来”通过其精准的自动化操作能力，能够执行高通量实验任务，与此同时其“计算大脑”同步进行量子化学仿真模拟，通过结合理论大数据和实验小数据产生具有预测能力的机器学习模型，最终采用贝叶斯优化算法预测和机器验证最佳的催化剂配方。
（2）该工作成功展示了在地外星系上因地制宜创制化学品的智能化全流程，为未来地外文明探索提供了新的技术手段，对我国在未来月球、火星空间站上实现星际资源的原位综合利用建立了独特的方案。
04
核心内容解读
图1:双循环自动化工艺集材料制备、催化剂生产、性能表征和配方优化于一体，具体步骤如下 按以下步骤进行。第1步：利用激光诱导击穿光谱（LIBS）分析火星矿石的精确成分。步骤2：通过经典MD模拟生成多金属催化剂结构。第3步：利用DFT计算结构的OER活性。第4步：利用模拟数据建立NN模型。第5步：利用机器人实验数据重新训练NN模型。步骤6：微调NN模型中的参数，以预测可信度超过0.95的实验过电位。第7步：使用贝叶斯优化算法筛选最佳公式。第8步：利用现有的火星矿石，预测OER过电位最低的最佳合成配方。第9步：验证使用预测配方制备的催化剂的OER性能。@The Authors
为了方便人工智能化学家在火星上的工作，作者提出了合成OER电催化剂的双层工作流程（图 1）。外层包括12步自动实验和数据管理，由机器人和各种"智能"化学工作站完成；内层包括九个连续的数字操作，由智能计算"大脑"执行。在实验周期中，探测机器人获得的局部矿石样品被送到激光诱导击穿光谱(LIBS)设备进行元素分析。机器人对催化剂合成所需的矿石进行一系列物理和化学预处理，包括材料称重，固态和液体原料混合，在离心机进行固液分离和材料干燥。然后，在得到的金属氢氧化物中加入Nafion胶粘剂制备催化剂油墨，用于在电化学工作站制作电化学OER测试的工作电极。实验数据被发送到云服务器，由计算“大脑”进行机器学习处理。
在计算周期中，“大脑”采用分子动力学(MD)模拟数万种不同元素比的高熵氢氧化物，并应用密度泛函理论(DFT)计算来估计OER活性。利用仿真数据训练一个基于理论的神经网络(NN)模型，用于不同元素组成的OER，该模型很快被机器人驱动的实验数据重新训练和优化。通过将优化的神经网络模型嵌入贝叶斯算法，“大脑”预测可用火星矿石的最佳组合，以合成最佳OER催化剂，然后由人工智能化学家进行实验验证。
图2:(a) 经典MD模拟生成的多金属氢氧化物的代表性结构。(b) OER的反应机理。(c) 由神经网络预测的三个OER描述符，∆GOH*，∆GO*-OH*和∆q的统计。(d) 经实验标定的预测模型对实测OER过电位的预测结果。@ The Authors
OER涉及四个连续的氧化步骤和O-O键的形成，需要不低于1.23 V的施加电压才能运行。OER过电位，定义为催化发生所需的高于1.23 V的额外电压，表征了电化学装置的电压效率。因此，选择测量的过电位作为ML模型的主要目标，以寻找最佳的OER催化剂。
经典MD模拟中创建了29,902种独特的成分并模拟了由此产生的高熵氢氧化物的原子结构(图2a)。获得的结构特征，如平均金属-金属和金属-氧距离，传递给先前建立的双金属氢氧化物模型(图2b)，通过DFT计算确定每种多金属氢氧化物的OER活性。三个DFT预测的OER活性描述符-包括羟基吸附的吉布斯自由能变化ΔGOH*和氧吸附和羟基吸附的吉布斯自由能变化的差异ΔGO*−OH*，羟基吸附在活化位点上转移的电荷量Δq和配对的组成信息用于神经网络训练。如图2c所示，NN模型可以准确地再现这些DFT结果。利用神经网络模型可以快速预测从选定的火星矿石的任何给定成分中获得的高熵氢氧化物的OER活性，然后将这些理论值与实验测量的过电位联系起来。ML模型在预测真过电位方面取得了显著的准确性(图2d)。
图3:(a) 五块陨石标本在200-380 nm波段的代表性LIBS光谱曲线，以及主要元素发射线。(b) 移动机器人和工作站进行的243次"试错"实验的η10值。(c) 在 1 M KOH 电解液中以5 mV s-1的扫描速率收集的LSV曲线。插图为根据火星陨石成分合成的催化剂材料照片，从左到右依次为Exp-197、Exp-guided OPT和 Model-guided OPT。(d) 基维亚特元素比例图。(e) 模型引导OPT在CO2饱和的2.8 M Mg(ClO4)2电解质中分别在23°C和-37°C下的LSV曲线。(f) 根据LSV数据得出相应Tafel图，以评估反应动力学。@ The Authors
利用LIBS测定的图3a中每种火星矿石的元素组成(这里我们使用火星陨石代表原位火星矿石)，AI化学家用随机选择的六种金属元素组成制备了243种不同的配方，使用每种金属元素作为催化剂进行电催化OER测试，并通过分析线性扫描伏安法(LSV)极化曲线在每几何面积10 mA cm-2(η10)的电流密度下测量过电位。选择这个特定电流密度的原因是，它大约是在火星上接受1个太阳光照的情况下，一个效率为23%的太阳能-燃料转换装置的阳极所期望的电流密度。初步筛选产生了一系列η10值，范围从482.2到1056.2 mV(图3b)。然后，使用三个计算的OER活动描述符和243组组合作为输入，并将相应的实验过电位作为输出来训练第二个NN模型(图2d)。通过连接这两个神经网络模型，可以很容易地预测所有29,902种成分的OER过电位，为贝叶斯优化创建一个更大的数据集以生成所需OER催化剂的最佳公式(图3c)。正如Kiviat图(图3d)所示，贝叶斯模型识别的最优成分与试点实验的最佳样本即实验编号197 (Exp-197)的最优成分差异很大，这表明基于模拟数据集和实验数据集的贝叶斯优化都可以超越实验数据局限性。
为了验证催化剂在火星表面低温条件下的可用性，作者基于Gayen等人之前的工作，结合火星风化层中已经发现大规模水资源的事实，进行了实验。以2.8 M Mg(ClO4)2盐水溶液为电解液，铂网为对电极，坚固银丝为参比，在23°C和- 37°C条件下构建火星表面的操作条件(图3e)。LSV极化曲线显示低电压值为1.5685 V和1.7289 V，电流密度为10 mA cm−2,Tafel斜率分别为174.1 mV dec−1和200.3 mV dec−1(图3f)。
图4:(a) 电化学工作站。(b) 夹紧碳纸。(c) 组装电极。(d) 催化剂墨水的滴入。(e) 将工作电极放入电解池。(f) 光驱动OER的过程。(f) 碳纸基板上的模导OPT样品在不同反应条件下测的随时间变化的电流密度曲线。@ The Authors
长期稳定性对OER催化剂的实际应用至关重要。不同条件下对催化剂工作电极施加一定的电压进行循环稳定性测试(图4a-f)。在1 M KOH中，23°C下，OPT催化剂在电流密度为10 mA cm−2的条件下稳定工作超过550,000 s (~153 h)。同时，在2.8 M Mg(ClO4)2盐水溶液中，工作时间超过350,000 s (~97 h)，温度为- 37°C(图4)。这表明AI化学家设计的催化剂与其他最先进的OER催化剂一样稳定。重要的是，在1 M KOH溶液中，AI化学家制备的催化剂平均产氧率为59.08 g h−1 m−2。对于一个体积为300立方米(面积为100平方米，高度为3米)的火星空间站房间，在其屋顶涂覆生产的OER催化剂膜，大约实现15.2小时氧气自给。在合成过程中，直接在导电泡沫镍衬底上生长催化剂可以加速这一过程，尽管需要更大面积的太阳能电池板产生更多的电力来促进OER反应，但在更高电流密度的条件下，催化剂仍能保持相当高效和稳定的氧气生产能力。考虑到火星矿石中有更多种类的金属元素和先进的矿物精炼设备，未来火星矿物衍生的化学品和材料的性能可能会进一步提高。
05
成果启示
该研究证明，一个先进的人工智能化学家可以在没有人为干预的情况下，在火星上用当地的矿石合成OER催化剂。该系统已经证明了其执行所有所需实验步骤的能力，包括原料分析，预处理，合成，表征和高精度性能测试，并且还显示了其智能分析能力，可以从数百万种可能的组合中确定火星OER催化剂的最佳配方。它在合成过程中将实验数据和计算数据无缝结合，大大加快了生成可靠模型和寻找最优公式的速度。该系统具有通用性和适应性，有望为占领和探索地外行星推进化学物质的自动化发现和合成。
06
参考文献
Qing Zhu, Yan Huang, Donglai Zhou et al. Automated synthesis of oxygen-producing catalysts from Martian meteorites by a robotic AI chemist. Nature Synthesis (2023).
原文链接：
https://doi.org/10.1038/s44160-023-00424-1
