由于复杂的反应机理和丰富的活性位点，开发用于二氧化碳还原反应（CO₂RR）的高效原子催化剂（AC）仍然需要超高的实验资源和较长的研究周期。

在此，香港理工大学Bolong Huang首次提出了基于能量的第一原理机器学习（FPML）方法，基于超过15000个数据集来直接预测CO₂RR的反应趋势。CO₂RR的AC揭示了氢化步骤的独特比例关系，该关系与活性位点而不是电子转移数相关。

文章要点

1）该工作基于机器学习（ML）预测，报告了标准电极电位受pH值的影响，并提出了零点校准策略，以实现更准确的电催化反应预测，为实验提供有意义的参考。

2）研究人员揭示了通过混合活性位点构建的电活性区域的形成，这证实了活性位点激活的邻近效应。此外，C₃中间体的预测表明石墨炔碳活性位点上多碳偶联过程的潜力。

这项工作为通过机器学习预测CO₂RR中不同活性炭的化学反应趋势提供了一种有效的方法，有望加速用于广泛电催化的新型活性炭的合理设计。

参考文献

Mingzi Sun and Bolong Huang, Machine Learning Across Metal and Carbon Support for the Screening of Efficient Atomic Catalysts Toward CO₂ Reduction, Adv. Energy Mater. 2023, 2301948

DOI: 10.1002/aenm.202301948

https://doi.org/10.1002/aenm.202301948