研究背景 氧还原反应(ORR)与析氧反应(OER)是燃料电池、金属空气电池及电解水等清洁能源技术中的关键电化学过程,其反应动力学缓慢,严重制约了相关器件的能量转换效率。开发高活性、高稳定性且低成本的电催化材料,是推动能源转化与存储技术发展的核心科学问题。近年来,单原子催化剂(SACs)由于其原子级分散、最大化的金属利用率以及独特的电子结构,成为替代贵金属催化剂的理想候选。 在众多载体材料中,碳氮化物相关材料因其良好的化学稳定性、可调的配位环境和丰富的缺陷结构,为单原子位点的稳定锚定与电子结构调控提供了优越平台。然而,不同金属单原子在碳氮化物载体上的配位方式、电子态分布及其对 ORR/OER 活性的影响机制高度复杂,传统经验式设计和单一理论计算方法难以全面揭示其本征活性起源。 与此同时,人工智能与量子化学方法的深度融合为催化材料的高效筛选与机理解析提供了全新思路。通过将第一性原理计算获得的电子结构、吸附能和反应能垒等关键描述符引入机器学习模型,可在大规模材料空间中快速识别影响催化活性的核心因素,从而实现对催化性能的定量预测与理性调控。 研究内容 该研究围绕碳氮化物相关单原子催化剂(SACs)在氧还原反应(ORR)和析氧反应(OER)中的活性起源展开,结合量子化学计算与人工智能方法,系统揭示影响其电催化性能的关键物理化学因素。 研究首先基于第一性原理计算,构建了一系列不同金属单原子(如过渡金属)锚定在碳氮化物载体上的催化模型,系统分析其几何结构、电子结构、配位环境及反应中间体如 *O、*OH、*OOH)的吸附行为。 图1.(a)六种最常见的碳氮化物的原子结构(b)相应的 CxNy 基 SACs,蓝色圆圈表示单个 TM 原子的位置(c)经筛选的过渡金属原子沉积在 CxNy 上 随后,选择 C2N、C3N 和 C3N4 三种 SAC 建立机器学习模型,进行活性预测和机理分析。经过数据提取和特征工程,构建训练机器学习模型的完整数据集。然后,应用五种不同的机器学习算法训练相应的模型,从而更准确地评价模型的精度数据集分割和交叉验证后的 RMSE 和 R2,通过连续的模型训练和参数调整测试得到性能最好的模型。 图2. 研究碳氮相关 SACs 的 ORR/OER 催化活性及反应机理的整个机器学习工作流程示意图。ORR 和OER ML 模型的输入特征集也显示为三组:原子结构、电子结构和系统特征。 进一步地,为正确评估模型性能以便选择最佳模型深入研究,采用 4 折交叉验证方法计算 ORR 和 OER 催化活性研究在不同机器学习模型下最终测试分数的对比直方图。结果表明,无论是训练集还是测试集,RFR 预测的过电位分布都与 DFT 计算值具有明显的线性关系,这表明经过有效训练的 RFR 模型在预测催化活性方面能够达到很高的精度。因此,选择 RFR 模型完成对 ORR 和 OER 活性预测及机理分析的进一步研究。 图3.(a)四折交叉验证数据集划分方法的示例。不同算法的机器学习模型在(b)ORR 和(c)OER 催化活性研究中测试集上的均方根误差(RMSE)和 R²。DFT 计算的(d)ORR 和(e)OER 过电位(DFT)值与在交叉验证四轮循环中测试分数最佳的最优随机森林回归(RFR)模型预测(ML)值的比较。 此外,还尝试将已建立的模型扩展到具有与基于 CxNy 的 […]






_1-e1762440131139-300x200.png)


