清华大学团队研发SurFF模型实现催化剂设计万倍加速突破传统DFT瓶颈

清华大学王笑楠团队在Nature Computational Science发表研究，提出催化剂设计领域全新基础模型SurFF。该模型无需依赖昂贵实验或耗时DFT计算，即可高效预测金属间化合物表面暴露与形貌，计算速度相比传统方法提升10?倍。

催化剂性能与其表面结构密切相关，但传统方法依赖高成本实验表征或耗时DFT计算，限制了新材料探索速度。SurFF模型采用3D等变图卷积神经网络，结合主动学习策略构建大规模表面能数据库，在保持DFT级精度的同时实现数量级加速。

研究团队通过大语言模型筛选万余篇论文数据，并结合原创实验验证SurFF预测准确性。例如对CuPd晶体的预测与实验观测结果高度一致。该模型补齐了传统催化筛选流程中忽视结构的关键短板，并展示出拓展至更广泛材料体系的潜力。

SurFF作为表面暴露基础模型，为催化剂理性设计提供高效工具。未来通过整合温度、压力等反应条件，有望发展成更通用的催化剂设计平台，持续加速新材料研发进程。