以可解释AI与“材料基因”描述真实工况下的催化：SISSO符号回归结合偏效应敏感性分析
核心概要
该工作将SISSO符号回归与基于偏导数的偏效应（PE）敏感性分析结合，用于分析9种负载型钯基双金属合金纳米颗粒在浓缩乙炔流选择性加氢中的539个乙烯选择性测量值，从20个候选初级特征中选出8个“材料基因”，并通过全局与逐材料的敏感性评分指出平均d带中心、氢的表面与次表面结合能以及实验测得的平均颗粒直径为最具影响力的基因，从而在不需要显式原子尺度模拟全部物理过程的前提下给出对乙烯选择性的统计描述。
The performance of real-world heterogeneous catalysts is governed by an intricate interplay of multiple physical processes occurring at extremely different time and length scales. The solid-state chemistry of the material and its restructuring, for instance, is coupled with chemistry of the catalytic reaction, which depends on the surface reaction networks.
PubMed深度剖析
提出并演示了把梯度型偏效应（PE）敏感性分析叠加到SISSO符号回归模型上的可解释AI流程，用于识别催化描述符中最具影响力的“材料基因”。 此前SISSO已被用于在材料科学与催化中寻找描述符，但模型中出现哪些基因与其相对影响力大小是两件事；该工作用模型对单个基因的偏导数定义PE，并进一步用训练集标准差归一化得到可直接跨基因比较的标度偏效应（SPE），再对全部数据点取平均得到全局敏感性评分。 方法层面给出了明确的数学定义（偏导数式与SPE归一化式），并用SymPy对SISSO解析表达式做解析求导；在9种材料、539个数据点的训练集上给出每个基因的全局SPE数值，如平均d带中心为2.81、氢的表面结合能为0.75、平均颗粒直径为0.23。
对浓缩乙炔流选择性加氢的乙烯选择性，SISSO从20个初级特征中选出8个基因构成三维描述符向量，模型可同时描述不同材料及其随运行时间的变化。 该SISSO模型本身来自此前聚焦式SISSO研究，本文的新增之处在于用PE分析揭示这些基因的相对重要性，并给出逐材料的物理图像，而非重新拟合模型。 数据集为9种Pd基双金属合金（Pd1Ag1、Pd1Ag5、Pd1Ag9、Pd1Au1、Pd1Au5、Pd1Au9、Pd1Cu1、Pd1Cu5、Pd1Cu9）负载于高比表面α-Al2O3，在10 bar、150 °C、C2H2:C2H4:H2 = 1:1:5、空速90 000 cm3 gcat−1 h−1条件下测试，539个选择性数据点覆盖0–400 min；嵌套五折交叉验证给出R = 2、D = 3，测试集平均误差0.105，低于全数据集选择性标准差的25%。
敏感性分析指出吸附相关过程主导乙烯选择性：平均d带中心为最具影响力基因，其次为氢的表面与次表面结合能，且这些基因与选择性的关系可随材料和运行时间改变符号。 这与此前针对稀乙炔流加氢所强调的π键物种与氢吸附作用一致，但本文进一步显示这些关系在浓缩乙炔流条件下对具体材料可以是正相关也可以是负相关，即吸附性质既可促进也可抑制选择性。 全局平均绝对SPE依次为tOS 0.15、w_metal 0.12、Dµ 0.23、次表面碳形变能0.16、氢表面结合能0.75、氢吸附功函数变化0.092、平均d带中心2.81、次表面氢结合能0.42；对Pd1Cu9，d带中心的SPE为正而氢表面结合能的SPE为负，且差异随tOS增大。
实验测得的平均颗粒直径作为第四具影响力基因，提示存在结构敏感性，且该效应在铜基材料上更明显。 结构敏感性此前主要在二烯加氢中被详细讨论，本文将其与浓缩乙炔流中乙烯选择性的统计描述联系起来，并强调实验测得的初级特征能捕捉理论描述难以涵盖的方面（如颗粒尺寸分布受合金性质、金属–载体相互作用、合成条件乃至反应条件下变化的影响）。 逐材料SPE显示颗粒尺寸分布对铜基材料（尤其Pd1Cu9与Pd1Cu5）影响更大；同时模型对次表面碳相关基因、tOS、w_metal与氢吸附功函数变化的敏感性较低，提示在本研究体系中（次）表面碳的影响较小。
启示与展望
该结果面向负载型钯基双金属合金纳米颗粒在浓缩乙炔流（>14 vol%）选择性加氢、10 bar与150 °C、全转化条件下的乙烯选择性描述，其价值在于为同类体系提供基因层面的影响力排序与筛选线索，并示范如何把实验测得参数与DFT计算参数合并为初级特征；作者也指出，SISSO与材料基因只对与训练集受同一底层物理过程支配的材料与反应条件给出可靠描述，因此该框架的适用边界由训练数据覆盖的物理过程决定，而非由化学式本身决定。
读者仍会关注：初级特征中多项为反应前测得或基于低指数模型表面的DFT-GGA计算，而反应条件下颗粒尺寸分布等性质可能变化；训练集仅含9种材料，基因影响力排序在更广材料空间中的稳定性有待检验；模型对（次）表面碳相关基因敏感性较低这一观察，与稀乙炔流文献中碳化物作用的差异，其适用条件值得进一步厘清；此外，本文为全文阅读，但正文中的公式与图以图像形式给出，具体表达式与逐点分布细节需结合原文图表与补充材料核对。