胡良兵，2002年本科毕业于中国科学技术大学少年班，2007年在加州大学洛杉矶分校获得博士学位。2006年与他人共同创立Unidym公司，从事基于碳纳米管的柔性透明电极的大规模生产及其用于触摸屏、柔性OLEDs、太阳能电池的研究。2009-2011年期间，以博士后的身份加入斯坦福大学崔屹课题组从事纳米材料和纳米结构用于能源器件的研究。目前是美国马里兰大学（帕克校区）副教授。他的研究兴趣包括：纳米材料和纳米结构，大规模的纳米制造，储能器件如固态电池、钠离子电池，印制电子。获得如下诸多奖项，包括：Nano Letters Young Investigator Lectureship（2017），海军研究办公室青年研究员奖（2016），ACS能源和燃料新兴研究员奖（2016），SME杰出青年制造工程师奖（2016），马里兰大学青年教师奖（工程学院，2015年），3M非终身教职员奖（2015年），马里兰州杰出青年工程师（2014年），马里兰大学年度发明奖（2014年物理科学），美国校园之星工程教育学会（2014年），空军青年研究员奖（AFOSR YIP，2013年）等。目前已经发表了250多篇研究论文，三次登上Science封面。
点击图片，查看详细解读
胡良兵，起初以“木头大王”的名声闻名于世。
自从2018年在Science封面集齐8种金属以来，他在高熵合金研究领域，同样成了“天花板”一样的存在。
近日，胡良兵教授针对在高熵纳米粒子的合成、结构和应用方面的重要进展和关键问题进行了综述，探讨了计算引导和数据驱动的高熵纳米粒子加速探索的潜力和实施，分析了高熵纳米粒子多维空间中的合成-结构-性质关系。相关综述以《High-entropy nanoparticles: Synthesis-structure-property relationships and data-driven discovery》发表在Science上。
高熵纳米粒子（四种以上元素均匀混合成固溶体结构，如合金、金属玻璃、金属间化合物、氧化物、氟化物、硫化物、碳化物、MXenes和范德华材料）的多样性（多元素组合的巨大组成空间特性）为新材料（组合）、新性能（催化活性、选择性、稳定性）以及新应用提供了可能。高熵纳米粒子也已在很多领域（如：能源、催化）显示出巨大的希望。高熵纳米粒子的组成灵活性能够微调催化活性，而高熵固溶体混合可能提供在恶劣条件下的结构稳定性。同时，高熵纳米粒子中的多元素协同作用提供了多种吸附位点（复杂原子混合构型特性），导致其在多步串联反应（如CO2-C1-C2反应）或需要多功能催化剂的反应展现出非凡的潜力。
然而，机遇总伴随挑战，高熵纳米粒子复杂的成分以及原子排列方式给其设计、合成、表征和应用带来了巨大挑战。i）考虑到不同组成元素之间的物理化学性质（例如原子大小和电子结构）的广泛跨度，以高度可控的方式合成高熵纳米粒子是困难的，目前还没有提供详细的结构理解或揭示不同成分的常规合成路线。ii）由于复杂的原子构型和具有相似电子对的多个元素，表征高熵纳米粒子的详细结构（例如反应性表面和缺陷）具有挑战性。此外，我们对元素组成和合成方法如何影响高熵纳米粒子的结构和性质的知之甚少。因此，充分了解高熵纳米粒子对于指导材料设计和优化至关重要
图1. 开发具有多元素组成和增强功能的高熵纳米粒子。
二、高熵纳米粒子合成及表征
高熵纳米粒子，顾名思义是具有高熵的纳米粒子，结构的构型熵会随着元素数量的增加而增加，其合成在热力学上也是焓和熵竞争的结果。多元素相互作用的焓则取决于组成元素的性质，高负焓值有利于结构有序。当多元素组成的焓值接近零值，则熵项占主导地位并促进均匀随机元素混合和高熵形成。因此，由于不同元素之间的物理化学差异很大（即焓值的范围很广，很难趋近于零）是制备自然单相混合高熵纳米粒子巨大挑战性。高温“热冲击”工艺则克服了这一困难，此方法中冷却速率会影响非平衡程度和实现的结构有序性，合成过程的短持续时间和快速淬火特点也有助于形成小而均匀的颗粒。此外，气相火花放电、快速辐射加热或退火、低温氢溢出、溅射等动力学驱动方法被提出。此外，根据氧化电位（图2e）还可以定向合成高熵纳米粒子，即较小氧化电位的元素合成合金纳米粒子，较大的氧化电位的元素形成高熵氧化物纳米颗粒，而中等氧化电位的元素在金属和氧化物状态之间切换。
常规技术(PXRD/SEM/TEM/XPS)可以帮助确定高熵纳米粒子基本相结构、形态、元素分布和价态，但可能缺乏解耦多元素混合所需的分辨率。同步加速器X射线(同步加速器XRD/XAS)的技术则可以高分辨率地了解高熵纳米粒子的原子排列、键合和配位以及电子特性；原位TEM可以揭示了高熵纳米粒子形成过程以及它们在有缺陷的碳基底上的分散和稳定性；四维扫描透射电子显微镜能够快速和高分辨率地表征高熵纳米粒子的局部晶格畸变、结构异质性和短-范围排序；原子电子断层扫描可以解析高达八种元素的高熵金属玻璃纳米粒子的3D原子结构。
图2. 高熵纳米粒子合成与结构。
图3. 高熵纳米粒子的表征。
三、高熵纳米粒子活性/选择性与稳定性
火山曲线是我们广而熟知的关于催化活性的评估图，即反应物或中间体与催化剂表面的结合既不能太强也不能太弱以最大限度地提高性能，高熵合金则可以克服单一元素的固有特性，通过电子杂化是材料转变为一个加宽的、多峰的、几乎连续的活性曲线（即活性范围宽，有多个活性位点中心），与简单的催化剂相比，高熵纳米粒子提供了复杂的原子构型、多样的吸附位点和可调的结合能，通过多元素设计和组成调节，则可以调整以获得最佳催化性能所需的表面性质。此外，高熵纳米粒子的宽带吸附能量平台对于串联和复杂反应中的催化特别有前景，实现整体的高活性/选择性。
热力学上，高熵性质有利于高熵纳米粒子的形成和稳定；动力学上，高熵混合因为不同元素的尺寸不匹配和导致的晶格畸变，有助于防止相偏析的大扩散势垒，提高结构稳定性。另外，高温冲击合成方法可以使高熵纳米粒子和基底之间的界面稳定性更好，以避免颗粒聚集。
图4. 高熵纳米粒子的催化性能。
四、高通量筛选-机器学习（ML）
通过ML-高通量筛选（基于第一性原理）以数据驱动的材料发现的方法可以开发用于靶向催化反应方案的高熵纳米粒子，以及在复杂的微观结构和结合能分布条件下，识别高熵纳米粒子中的催化活性位点。此外，高通量计算还可用于多元素成分的相预测，能够筛选数百万种元素组成，实现高熵纳米粒子的直接高通量合成和筛选。其中机器学习可通过广泛预测未测量的成分、引导探索以快速找到性能最优值以及对成分和过程结构的定量理解，来加速材料发现-属性关系。主要思路如下：
i) 模型构建和模拟数据生成（尝试使用理论模型和神经网络将多元素协同作用解耦为配体效应（不同的元素）和配位效应（不同的结构），以将结构特征与其催化性能相关联）；
ii) 模拟数据的ML和拟合（主动-逐步学习，引导优化，采样训练）;
iii) ML在更大的组成空间中进行广泛的探索和筛选;
iv) 对先前模拟和ML模型的实验验证和反馈。
图5. 数据驱动的高熵纳米粒子发现。
结语
高熵纳米粒子材料目前处于起步阶段，需要在i）可控合成（目标表面成分和原子排列）；ii)精确表征（高熵纳米粒子的表面、有序、缺陷和动态演化）；iii)精准鉴定活性位点（识别和了解高熵纳米粒子的性能来源）；iv) 快速高通量-机器学习（快速筛选和合成高熵纳米粒子）这四个方面投入更大的精力，以加速探索多元素空间中的高熵纳米粒子。
参考文献：
Yonggang Yao, Qi Dong et al., High-entropy nanoparticles: Synthesis-structure-property relationships and data-driven discovery. Science 376, eabn3103 (2022)
DOI: 10.1126/science.abn3103
https://www.science.org/doi/10.1126/science.abn3103
