清华万引教授：万倍加速催化剂设计，AI突破DFT瓶颈！

清华大学王笑楠团队开发出催化剂设计基础模型SurFF，可在无需依赖实验或传统DFT计算的情况下，高效预测金属间化合物的表面暴露与形貌。该模型通过“晶面生成—快速弛豫—Wulff构型”三步框架，结合机器学习力场（MLFF）与主动学习构建的超12,500个表面的大数据库，实现相较DFT高达10⁵倍的计算加速，表面能预测误差低至3.0 meV/Ų。SurFF在高可合成性晶面识别中准确率达77.1%，Top-5准确率81%，与多源实验及文献数据的一致性达73.1%。模型已应用于超6,000种化合物、约14万晶面预测，总GPU耗时仅115小时，展现出在大规模催化剂理性设计中的强大潜力。
来源：https://mp.weixin.qq.com/s/rhOVW-jqDxihGJCPMcRr0A