大约 90% 的工业反应发生在材料表面，因此多相催化剂的重要性不言而喻。准确预测表面暴露对于多相催化剂设计至关重要，但实验与计算成本长期限制了这一进展。研究人员提出了 SurFF，一个基于机器学习力场的基础模型，用于预测金属间化合物晶体的表面暴露与可合成性。研究人员构建了一个涵盖 12,553 种独特表面和 34.4 万个单点数据的数据库，利用主动学习结合高通量密度泛函理论（DFT）计算生成。SurFF 在预测表面能时达到了 DFT 水平的精度，误差仅为 3 meV/Ų，并实现了 10⁵ 倍的加速。与实验和计算结果的对比表明，SurFF 预测可靠，能够在 6,000 余种金属间化合物晶体上大规模预测表面能与 Wulff 形貌，为催化剂研究提供了宝贵数据。

高性能催化材料的发展在能源转化与存储、环境保护和工业制造等领域具有重要意义。由于绝大多数反应发生在催化剂表面，催化剂的性能主要取决于表面特性。尤其是晶体材料中的 表面活性 与 表面暴露：前者决定反应速率，后者决定某一表面能否形成以及暴露程度，即合成可行性。理论上，一个晶体可以拥有无限多的独特表面，但热力学与动力学约束限制了实际形成的表面类型。一般而言，只有低表面能的晶面才更可能在晶体生长中暴露出来。

传统实验方法（如 XRD 与高分辨透射电镜）和基于 DFT 的表面能计算方法成本高昂，无法支持大规模筛选。现有计算筛选往往集中于表面活性，而忽视了表面暴露。研究人员因此提出了 SurFF，用于 快速、低成本地预测表面能与表面暴露，为催化剂大规模设计提供可能。

研究人员从 Materials Project 中收集了 49 种金属/半金属元素的稳定晶体，涵盖七种晶系，生成了 28 万余种候选表面。由于直接计算代价过高，研究人员采用主动学习策略，逐步挑选最具信息量的表面进行 DFT 计算。最终生成了包含 1.2 万个表面能数据和 34.4 万个单点数据的训练集，累计耗时约 15.6 万 CPU 小时。

基于上述数据库，研究人员训练了一个 等变深度图卷积神经网络 作为机器学习力场（MLFF），能够在晶体表面弛豫过程中准确预测原子受力与能量。测试结果显示，该模型在表面能预测上的平均误差仅为 3.8 meV/Ų，与 DFT 精度相当。

在分布内（ID）测试集中，SurFF 对表面能预测的误差为 3.0 meV/Ų，整体合成可行性预测准确率 71.9%，对高暴露表面的预测准确率达 77.1%。在分布外（OOD）测试集中，即对热力学上不稳定但实验可验证的晶体，SurFF 的表面能预测误差上升至 10.5 meV/Ų，但合成可行性预测依然保持在 74.4% 的高水平，表现出良好的泛化性。

研究人员收集了超过一万篇文献并结合自主实验，获得了 ZnRh、ZnPd、ZnPt 等金属间化合物的表面表征结果。对比发现，SurFF 成功预测了 73.1% 的实验观测晶面，即便实验环境与计算条件存在差异，模型依然展现了高度一致性。

研究人员利用 SurFF 对 6000 余种金属间化合物晶体进行了表面能与暴露预测，总计 14 万个表面，仅耗时 115 GPU 小时。此外，研究人员通过在 OOD 数据集中随机挑选一个表面进行再训练，证明 SurFF 可通过少量额外数据实现 高效迁移与精度提升，有望扩展至氧化物、氮化物和碳化物等体系。

SurFF 的成功依赖于两个关键贡献：

全面的数据库构建 ——首次在金属间化合物大规模表面能数据上建立高质量数据集；

基础模型开发 ——基于深度等变图神经网络的 MLFF，实现了 DFT 级别精度与百倍数量级加速。

该模型不仅能够评估活性表面是否存在，而且能够在大规模催化剂筛选中综合考虑活性与可合成性，显著扩展了设计空间。

尽管如此，SurFF 仍有改进空间。例如：

目前数据集未显式包含温度、压力等条件下的动力学效应；

模型未能捕捉晶体在实际环境中的动态重构与形貌变化；

实验验证数据仍有限，需要高分辨电镜与原位光谱学进一步补充。

总体而言，SurFF 在快速、准确预测晶体表面暴露方面展现出巨大潜力，为未来的 大规模催化剂发现与设计 提供了全新工具。

Yin, J., Chen, H., Qiu, J. et al. SurFF: a foundation model for surface exposure and morphology across intermetallic crystals. Nat Comput Sci (2025). 

https://doi.org/10.1038/s43588-025-00839-0