10月6日消息（arXiv预印本，编号2610.08040，2026年10月6日提交至cond-mat.mtrl-sci），一项新研究针对高熵合金（HEA）纳米催化剂组合空间庞大、最优成分难寻的痛点，开发出一套多尺度计算筛选框架：将机器学习能量预测、热力学蒙特卡洛采样、贝叶斯优化与动力学蒙特卡洛（kMC）模拟串联，在九元素组成空间中对85原子纳米颗粒模型进行析氢反应（HER）活性筛选。

核心发现是筛选准则的系统性差异：仅基于吸附能的静态优化倾向于选出铂（Pt）富集、组元数少的成分；而纳入反应动力学的kMC优化则将成分更加多元的高熵配方排在前列。这一结果表明，催化剂设计中以吸附能 descriptor 为核心的静态筛选可能系统性低估多组元高熵催化剂的活性潜力，动力学层面的评价会改变最优成分的选择方向。

析氢反应是水电解制氢阴极的核心反应，铂族金属用量与活性是质子交换膜电解槽成本的关键变量。高熵合金通过近无限组合空间提供调控吸附特性的自由度，但实验穷举不可行，计算筛选因此成为主通道。该框架的价值在于把活性评价从热力学 descriptor 推进到显式动力学，为低铂/非铂析氢催化剂的理性设计提供了可扩展的方法论。

论文为预印本，尚未经同行评审。作者团队来自计算材料与催化领域（作者署名以预印本页面为准），研究方法与数据可从arXiv页面获取。 （来源：arXiv）