电化学还原CO₂是能够消除CO₂排放并且制备高附加值化学品的方法和途径。因此发展具有前景的CO₂还原电催化剂材料是目前最重要的任务，而且人们发现通过机器学习能够加快发展催化剂。但是目前的机器学习方法通常局限于非常少的化学区间，而且只能筛选得到部分的催化活性。

有鉴于此，西江大学Seoin Back、上海交通大学蒋昆等通过机器学习模型和电化学CO₂还原的选择性分布图结合，发展了一种高通量催化剂筛选方法，从而提出具有可能性的催化活性和选择性电催化还原CO₂催化剂，而且提出的高活性催化剂不局限于数据库。

主要内容：

（1）

这个方法能够为催化剂的形貌和化学计量比组成提供指导。通过这种方法预测了465种金属催化剂的电催化还原生成四种产物的催化活性和选择性。

（2）

在筛选可能催化剂的过程中，发现未曾发现的Cu-Ga和Cu-Pd合金可能具有较高的还原CO₂催化活性。作者通过实验对理论计算结果进行验证。

参考文献

Dong Hyeon Mok, Hong Li, Guiru Zhang, Chaehyeon Lee, Kun Jiang & Seoin Back, Data-driven discovery of electrocatalysts for CO₂ reduction using active motifs-based machine learning. Nat Commun 14, 7303 (2023)

DOI: 10.1038/s41467-023-43118-0

https://www.nature.com/articles/s41467-023-43118-0