科技日报记者 王祝华 通讯员 刘俊乐
海南大学邓意达教授团队创新融合机器学习与密度泛函理论，成功筛选出高效光催化二氧化碳还原双原子催化剂，为破解传统试错法效率低下的行业难题提供了全新技术路径。近日，该研究成果在国际期刊《先进能源材料》发表。
当前，全球能源需求持续激增推动二氧化碳排放量攀升，将二氧化碳转化为可再生燃料，成为降低传统化石能源依赖的关键方向。其中，光催化二氧化碳还原技术因绿色环保特性，被视作该领域的核心破局手段。然而，该技术的核心载体——原始石墨相氮化碳，存在活性位点稀缺、二氧化碳吸附能力有限的缺陷，导致催化性能受限；同时，过渡金属组合种类繁多，传统试错法研发周期长、成本高，严重制约双原子催化剂的研发进程。因此，开发快速高效的筛选方法，解决双原子催化体系难题、实现二氧化碳高效还原转化，已成为当前科研领域的重点方向。
为突破这一研发困境，邓意达团队将研究聚焦于石墨相氮化碳负载双原子催化剂，构建了系统性筛选方案：首先通过密度泛函理论，精准计算中间体在双原子催化剂表面的吸附能，形成高质量数据集；随后利用该数据集对机器学习模型进行训练与测试，通过多类机器学习算法对比，筛选出性能最优的模型及关键特征参数；最后将所有双原子催化剂的特征参数输入最优模型，同时结合大规模密度泛函理论研究，对潜力候选催化剂进行验证，最终成功筛选出一系列可高效光催化二氧化碳制一氧化碳、甲酸的双原子催化材料，为后续实验合成环节大幅缩短了研发周期。
邓意达表示，该研究创新性构建了“双原子协同—机器学习—高通量筛选”三位一体的催化剂设计范式，清晰揭示了双原子基础特征与预测极限电位之间的微观作用机制。这一成果不仅将人工智能加速材料发现的理念成功拓展至光催化二氧化碳还原领域，更为后续催化剂的实验合成与性能优化提供了坚实的理论支撑和明确的研发方向。
网友评论
