近日，昆明理工大学化学工程学院分子分离与催化团队在多相催化剂理性设计及可解释人工智能（AI）领域取得系列进展。相关研究成果以“Logical Descriptor Elucidates a Protein Folding-like Mechanism in Propylene Adsorption: Intrinsic Site Characteristics versus Adsorption Energy”和“AILD: An Interpretable AI Framework for Designing Logical Descriptors in Predicting CO Adsorption on Catalysts”为题，发表于物理化学领域权威期刊《The Journal of Physical Chemistry C》和《The Journal of Physical Chemistry A》。

在“双碳”目标与化工转型背景下，探寻决定催化性能的关键“基因”—描述符，是实现催化剂理性设计的核心。针对传统参数描述力不足及数据驱动模型“黑箱化”的瓶颈，团队提出“逻辑描述符”（Logical Descriptors）概念，构建了从“复杂机理深度解析”到“AI辅助通用方法论确立”的研究链条。

研究揭示了逻辑描述符在解析复杂机理中的核心价值。针对丙烷脱氢（PDH）反应中“活性-选择性”权衡难题，借鉴生物学“安芬森原则”，发现活性位点本征电子结构（初始态）与分子吸附构型（终态）间存在类蛋白质折叠的映射关系。据此，构建了d轨道协同配位描述符（d-SCD），通过量化特定d亚层轨道与配位环境的协同关联，阐明了Pt基催化剂性能差异的微观机制。研究证明，逻辑描述符相较于d带中心等传统参数具有更优的表征力，为破解催化“跷跷板”效应提供了基于电子本征属性的精准调控新方案。

同时，将上述发现逻辑升华为通用方法论。开发了“AILD”（人工智能引导的逻辑描述符）可解释性框架，旨在解决描述符构建过程中物理意义缺失的共性难题。该框架创新性地利用大语言模型（LLM）作为知识检索引擎，结合DFT计算与SHAP分析，建立了自动化筛选流程。以CO吸附为例，框架成功挖掘出包含轨道偏度（Skewness）等参数的逻辑描述符，实现了高精度预测（R2>0.95）与“If-Then”设计规则的自动生成。该成果打破了AI在催化领域的“黑箱”壁垒，确立了“让AI懂化学”的研究范式。

昆明理工大学化学工程学院为论文通讯单位，我院2023级硕士研究生冯玉清和陈玉顺分别为论文第一作者，李坦博士和赵文波教授为论文共同通讯作者。以上研究工作得到云南省基础研究计划（202401AU070180、202501AT070166）及广东省基础与应用基础研究基金（2021A1515110427）的资助。

论文链接：https://pubs.acs.org/doi/full/10.1021/acs.jpcc.5c07192

https://pubs.acs.org/doi/full/10.1021/acs.jpca.5c06592