摘要
尽管在计算催化领域取得了进展，但理论计算的复杂性以及所需的专业知识限制了催化剂设计工具的广泛采用。本研究介绍了CatPath-GPT，这是一个专家混合框架，通过整合三个人工智能专家的技术来使计算催化剂设计变得更加普及：产品预测（准确率为77.2%）、计算规划以及基于BERT的自动化代码生成。通过两个案例研究的实验验证表明，该框架具有实际应用价值：系统性地筛选CuxZn1?x催化剂发现了用于选择性CO2RR反应的最佳组成（Cu75Zn25适用于乙醇反应）；高通量金属氧化物筛选则再现了N?rskov的经典缩放关系，并识别出高活性材料。与GPT-4和Mistral-7B相比，CatPath-GPT在催化剂相关任务中表现出更优越的性能，尤其是在模拟复杂表面反应方面。这一开源框架使得没有计算专业知识的研究人员也能够进行高级催化剂设计，有可能彻底改变催化材料的发现和优化方式。
利益冲突
作者声明没有利益冲突。
数据可用性声明
支持本研究结果的数据可在本文的补充信息中找到。完整的模型套件（包括CO2RR产品预测模型、路由模型和代码生成模型）已在我们的Hugging Face仓库中公开发布（https://huggingface.co/waleyWang）。这些模型可以直接下载并部署。有关实现细节和使用示例，请参阅我们的GitHub仓库（https://github.com/waleyW/CatPath），其中包含完整的源代码、文档和示例应用。
