在当今能源领域，固态储氢技术因其独特优势备受关注。金属合金作为固态储氢的关键材料，有望在体积容量、安全性和耐久性方面超越传统的液态或压缩储氢方式。金属氢化物能够在相对较低的压力和适中的温度下存储氢气，避免了液化或压缩的复杂过程，且金属 - 氢键可实现较高的体积氢密度。然而，在过去二十年里，尽管金属氢化物取得了显著的性能提升，但其实际应用仍面临诸多挑战。在环境条件下，金属氢化物难以具备经济可行的热力学和动力学性能，而储氢性能又与氢气压力、温度和合金成分密切相关，这意味着需要探索广阔的化学空间来寻找合适的固态储氢材料。
压力 - 组成 - 温度（PCT）分析是评估合金储氢适用性的重要手段。PCT 等温线（也称为压力 - 组成等温曲线）能够展示材料中氢含量随压力和温度的变化情况，通过热重分析和体积测量等实验手段可以获得。它能提供诸如最大可逆存储容量、氢化物相变以及平衡平台压力等关键信息，平台压力（P）与温度（T）的关系遵循范特霍夫（Van’t Hoff）方程，借此可确定与脱氢 / 氢化反应相关的焓变和熵变。但 PCT 分析存在明显缺陷，其过程资源消耗大且耗时久，需要进行一系列测量来表征样品在平衡状态下氢气压力、浓度和温度之间的关系，这极大地限制了能够研究的合金成分数量。
为了解决这些问题，来自中国科学院国家化学实验室物理与材料化学部、科学院科学与创新研究学院的研究人员 Ashwini Verma 和 Kavita Joshi 开展了相关研究，提出了一种名为 MH-PCTpro 的机器学习模型，用于预测各种金属氢化物的 PCT 等温线。该研究成果发表在《iScience》上。
研究人员在开展研究时，采用了以下关键技术方法：首先，从 1990 - 2021 年的文献中收集金属氢化物及其吸收 PCT 图的实验数据，使用 Web PlotDigitizer 软件提取数据点，并通过插值增加数据密度，同时对数据进行标准化处理，构建了包含 138 种合金成分、237 条 PCT 等温线、超过 14,000 个数据点的数据库。其次，在特征选择方面，基于先前的 ML 框架 HEART，扩展了特征集，纳入了氢吸收压力和元素氢化特性等特征，并通过计算皮尔逊相关系数筛选出共线性低于 0.9 的特征。最后，利用 scikitlearn Python 库实现 ML 模型，借助 LazyPredict 快速筛选算法，选择额外树回归器（ETR）进行模型开发，并通过 GridSearchCV 寻找最优超参数 。
研究结果如下：
- 模型准确性评估：通过对约 14,000 个数据点进行随机 80:20 的训练 - 验证分割，MH-PCTpro 在验证集上的平均绝对误差（MAE）为 0.17 ± 0.002 wt%，R2得分为 0.96。K 折交叉验证结果与 80:20 分割的结果相当。对 237 条 PCT 等温线和 138 种成分进行同样的分割训练和验证时，MAE 有所增加，R2得分下降，但这主要是因为预测的 PCT 等温线与实际曲线的每个点不完全重合，不能完全依据R2得分来判断模型预测整个 PCT 等温线的能力。
- 特征重要性分析：ETR 模型确定了氢压力、吸收温度、原子质量（AM）、金属 - 金属二聚体键能（EMM）、混合熵（ΔSmix）、氢化物形成焓（Ehyd）、晶格畸变（Δatmsz）和电负性差（ΔEN）等是重要特征，且在不同输入数据场景下，重要特征的顺序保持一致，表明模型学习的稳定性。
- 新特征的影响：将氢化特性（Ehyd和ΔVol）作为特征加入模型后，约 10% 预测的 PCT 等温线有显著改进，特别是对于仅由较高比例过渡金属组成的成分。而对于主要由碱金属、碱土金属、非金属和镧系元素组成的成分，添加氢化特征对模型预测影响较小。
- 模型泛化能力测试：通过留一 PCT 等温线排除法（Leave-One-PCT-Out，LOPO）和留一成分排除法（Leave-One-Composition-Out，LOCO）实验评估模型的泛化能力。在 LOPO 实验中，所有预测的等温线都符合成功预测标准；在 LOCO 实验中，80% 的成分达到 “成功预测” 标准，14% 为 “中等预测”，6% 为 “差预测”。模型对包含过渡金属、碱金属、碱土金属、镧系元素等新成分的 PCT 等温线预测效果较好，甚至对训练数据中未出现的元素（如Mo、Pd、Zn、Li等）组成的成分也能有较好的预测。
- 温度相关预测：MH-PCTpro 能够预测不同温度下 PCT 等温线的变化，预测的平台压力随温度的变化与实验值相符，并且可以通过范特霍夫图确定氢化物形成的焓和熵。
- 特定合金家族训练：以镧基成分家族为例进行实验，发现针对特定合金家族训练的模型在预测该家族成分的 PCT 等温线时，比通用模型表现更好，在 40% 的情况下超越通用模型，且对未见过的镧系元素掺杂的成分也有更好的预测效果。
研究结论和讨论部分表明，MH-PCTpro 模型在预测金属合金的 PCT 等温线方面具有显著潜力。该模型基于简单易计算的特征进行训练，包括元素属性、吸收温度和氢气压力，纳入元素氢化特性作为特征显著增强了模型的预测能力。模型在不同合金家族、广泛的温度和压力条件下进行了验证，与实验结果吻合良好。它能够预测合金中添加掺杂剂后 PCT 等温线形状的变化，以及成分平台压力随温度的变化，为确定氢化物形成的热力学参数提供了帮助。然而，该模型也存在局限性，对于训练集中代表性不足的合金（如含有In、Ga等非金属的合金）或温度范围（400 - 500K）内的 PCT 等温线预测性能会下降，这凸显了模型对标记数据可用性的依赖。尽管如此，通过有针对性的家族训练策略，即使在数据稀缺的情况下，也能有效构建特定成分家族的预测模型。总体而言，MH-PCTpro 模型能够有效预测金属合金的 PCT 等温线，为固态储氢材料的研究提供了有价值的热力学见解，有望缩短耗时的 PCT 实验的研究周期，加速高效金属氢化物的发现，对推动固态储氢技术的发展具有重要意义。
生物通微信公众号
