在催化、材料科学、化学等领域，描述符（Descriptor）是用于定量描述物质结构、电子状态或化学性质的关键参数或变量。它通过简化复杂体系的信息，建立结构 - 性能（或活性）之间的关联，是理论计算、机器学习建模和实验分析的核心工具。以下从定义、分类、应用及案例展开说明。

一、描述符的核心作用

1. 简化复杂体系：

   •          将原子级结构、电子状态等复杂信息转化为可计算 / 测量的单一或组合参数（如能量、电荷、几何尺寸等）。
   •          例：用 “d 带中心” 描述过渡金属表面的电子结构，关联其对反应物的吸附强度。

2. 建立构效关系：

   •          通过描述符与催化活性、材料稳定性等性能的关联，揭示内在机制（如 Sabatier 原理中的吸附能描述符）。

3. 预测与设计工具：

   •          基于描述符构建模型（如火山图、线性比例关系），预测新材料性能或指导催化剂优化。
   • 
     

二、描述符的分类

描述符可按性质分为以下几类（附典型案例）：

（一）电子结构描述符

反映材料的电子状态、轨道占据或化学键特征。

案例：在 ORR 中，d 带中心越低，金属对 O2的吸附越弱（如 Pt 的 d 带中心低于 Ni，ΔGOOH*更接近最优值）。

（二）几何结构描述符

描述原子排列、位点配位环境或材料形貌特征。

案例：单原子催化剂中，低配位数（如孤立金属原子）常对应更高的中间体吸附能（如CO在 Fe-N-C 单原子位点的强吸附）。

（三）吸附能描述符

直接关联反应物 / 中间体在催化剂表面的吸附强度，基于 Sabatier 原理构建构效关系。

案例：在 NH3合成中，N和NH的吸附能满足 LP 关系，故可用ΔGN*作为单一描述符预测活性。

（四）机器学习描述符

通过数据驱动方法从复杂结构中提取特征，适用于高维数据建模。

案例：使用 SOAP 描述符结合神经网络，预测金属合金的表面吸附能，替代耗时的 DFT 计算。

三、描述符的选择原则

1. 物理意义明确：

   •         描述符需与目标性能有直接物理 / 化学关联（如 d 带中心影响吸附能，而非任意几何参数）。
   •         反例：用催化剂颜色作为描述符预测活性（无直接关联）。

2. 可计算 / 可测量：

   •         理论描述符（如 d 带中心）需能通过 DFT 等方法可靠计算；
   •         实验描述符（如颗粒尺寸）需能通过表征手段准确测量。

3. 普适性与简化性：

   •         优先选择可适用于多种体系的描述符（如ΔG_H*对 HER 的普适性）；
   •         避免过度复杂（如用 100 个原子坐标描述纳米颗粒，可简化为平均直径）。

4. 动态适应性：

   •         对动态体系（如反应中结构变化），需使用动态描述符（如瞬态配位数）。
   • 
     

四、典型应用：描述符在电催化中的实战

1. 氢析出反应（HER）

•         关键描述符：ΔGH*（吸附能描述符）、d 带中心（电子结构描述符）。
• 关联逻辑：
  •         ΔGH* ≈ 0 eV 时活性最优（火山图峰值）；
  •         d 带中心越高，金属与 H的键合越强（ΔGH更负，对应火山图右侧）。
• 案例：
  •         Pt 的ΔGH*≈0 eV，d 带中心适中，HER 活性最高；
  •         Ni 的 d 带中心较高，ΔGH*≈-0.3 eV（强吸附），活性低于 Pt。

2. 氧析出反应（OER）

•         关键描述符：ΔGO*、ΔGOH*，或其线性组合（如ΔGO*+ ΔGOH*）。
•         挑战：OER 涉及 4 电子转移，中间体（O、OH、OOH）吸附能需同时优化，常用 LP 关系简化为单一描述符。
•         案例：IrO2的ΔGO*和ΔGOH*接近最优平衡，OER 过电位较低。

3. CO₂还原反应（CO₂RR）

•        关键描述符：ΔGCOOH*（决速步中间体吸附能）、HOMO-LUMO 间隙（电子转移能力）。
• 选择性调控：
  •         ΔGCOOH*较负时倾向生成 CO（如 Ag 表面）；
  •         ΔGCOOH*较正时倾向生成 C-C 偶联产物（如 Cu 表面）。
  • 
    

五、描述符的局限性与发展趋势

1. 局限性：

   •          单因素简化：实际催化涉及多变量协同（如电子结构 + 几何结构 + 传质），单一描述符可能忽略次要但关键的因素。
   •          环境依赖性：描述符在不同条件（如 pH、电位）下可能失效（如ΔG_H*在酸性 / 碱性溶液中的差异）。

2. 发展趋势：

   •          描述符融合：结合电子、几何、动态参数（如使用图神经网络同时处理 d 带中心和配位数）。
   •         原位动态描述符：通过原位表征（如原位 XAS）获取反应中实时变化的描述符（如动态配位数）。
   •         数据驱动优化：利用贝叶斯优化等算法自动筛选最优描述符组合，提升模型预测精度。
   • 
     

总结

         描述符是连接微观结构与宏观性能的 “桥梁”，其核心价值在于通过简化 - 关联 - 预测的逻辑，将复杂科学问题转化为可计算、可验证的参数分析。从早期基于 Sabatier 原理的吸附能描述符，到如今机器学习驱动的高维特征提取，描述符的发展始终推动着催化、材料等领域的理性设计。未来，随着跨学科技术的融合，描述符将更趋动态化、智能化，成为破解复杂体系科学问题的核心工具。