研究前沿：清华大学-金属间化合物催化表面数据库SurFF | Nature Computational Science

背景：工业化学反应中约90%发生在表面，多相催化剂设计依赖精准的表面暴露预测，但传统实验和计算方法成本高昂。研究目的：清华大学团队开发基于机器学习的基础模型SurFF，用于高效预测金属间化合物晶体的表面暴露和合成可行性。结论：SurFF模型以3 meV Å⁻²的误差实现DFT级别精度，速度提升10⁵倍，实验验证符合度达73.1%，为高通量催化剂设计提供了可靠工具。