《CatGPT：生成式AI驱动的高效电催化剂发现新范式》摘要 研究团队创新性地提出CatGPT生成式模型结合主动学习的催化剂设计方法。该模型基于GPT-2架构，通过将催化剂表面结构文本化处理，实现了高效的新型催化剂生成。相比传统高通量筛选，该方法将计算成本降低80-96%，成功发现34种具有高活性和选择性的新型电催化剂。其中MnPt₃在实验中表现出78.2%的H₂O₂选择性和优异的稳定性，验证了该

《CatGPT：生成式AI驱动的高效电催化剂发现新范式》摘要 研究团队创新性地提出CatGPT生成式模型结合主动学习的催化剂设计方法。该模型基于GPT-2架构，通过将催化剂表面结构文本化处理，实现了高效的新型催化剂生成。相比传统高通量筛选，该方法将计算成本降低80-96%，成功发现34种具有高活性和选择性的新型电催化剂。其中MnPt₃在实验中表现出78.2%的H₂O₂选择性和优异的稳定性，验证了该

《CatGPT：生成式AI驱动的高效电催化剂发现新范式》摘要 研究团队创新性地提出CatGPT生成式模型结合主动学习的催化剂设计方法。该模型基于GPT-2架构，通过将催化剂表面结构文本化处理，实现了高效的新型催化剂生成。相比传统高通量筛选，该方法将计算成本降低80-96%，成功发现34种具有高活性和选择性的新型电催化剂。其中MnPt₃在实验中表现出78.2%的H₂O₂选择性和优异的稳定性，验证了该

化学键的生成与断裂是一个连续过程，需要从几何结构、电子结构等多维度综合分析。计算化学通过键长变化、振动频率、键级分析（如Mayer键级、AIM理论）等方法提供原子级动态图景，其中IRC计算能清晰展示反应路径。实验上则通过光谱学（IR、NMR）、结构表征（XRD）和热化学测量等手段间接验证。计算与实验相结合，可全面理解化学键的变化机制。

摘要： 电离势（IP）和电子亲和势（EA）是计算化学中描述电子转移能量的关键参数。IP指从中性体系移除电子所需能量，分为绝热（AIP，考虑结构弛豫）和垂直（VIP，固定几何）两种定义；EA则为捕获电子释放的能量，类似分为AEA和VEA。计算时需分别优化中性、阳离子和阴离子的几何结构（推荐ωB97X-D/def2-TZVP方法），通过能量差求得IP/EA（单位eV）。阴离子计算需注意基组含弥散函数（

电荷转移是决定活化效率的核心机制。研究表明，催化剂通过电子转移削弱反应物化学键，显著降低活化能，提升反应速率。在光催化、电催化、电池等领域，优化电荷转移路径（如构建异质结、调控电子结构、利用非共价作用）可大幅提高性能。最新进展显示，锂离子电池通过降低脱溶剂化能垒实现快充，双位点催化剂通过局部电荷转移增强活化效率。未来结合AI设计和原位表征，有望开发更高效率的催化体系。

Gaussian支持的溶剂模型主要包括隐式溶剂模型，将溶剂视为连续介质。主流模型包括IEFPCM/PCM（适合几何优化、频率计算）、SMD（推荐用于ΔG预测）和CPCM。使用时需在计算命令中添加SCRF关键字，并指定溶剂类型（如水、乙醇等）。计算溶剂化自由能时，推荐使用SMD模型，通过比较溶液和气相单点能获得ΔG。自定义溶剂需提供介电常数等参数。注意不同模型结果不可直接比较，且优化和单点计算需使用