催化剂从试错走向计算筛选

传统方法的成本

催化剂研发长期依赖大量实验。改变组分、比例、载体、制备条件，逐一测试活性与稳定性，周期长、消耗大。

计算化学的介入，让研究者可以先在模型上筛选，把实验资源集中在少数候选上。

描述符的作用

描述符是能与催化性能建立稳定关联的物理量，例如吸附能。找到合适的描述符，就能用少量计算预测大量材料的趋势。

火山型曲线是经典例子：吸附太弱，反应物难以活化；吸附太强，产物难以脱附。性能在中间某处达到较优。

模型与现实的差距

多数计算在理想化条件下进行：超高真空、完美表面、零温。真实反应在高压、溶剂、复杂气氛中进行，表面还会重构。

因此计算筛选更适合做趋势判断，而不是直接给出可用配方。实验验证仍然不可替代。

工业上的价值

在化工生产中，催化剂寿命与选择性直接影响成本。计算可以辅助理解失活机制，例如积碳与烧结。

把计算、表征与反应测试放在同一个循环里迭代，是当前比较有效的研究范式。

从实验室到工厂

实验室里的高活性催化剂，在工业条件下可能迅速失活。抗中毒能力、机械强度、成本都要纳入考量。

放大生产时的传热与传质问题，往往比催化本身更难解决。