过渡金属与配位环境对四乙炔基卟啉中硝酸盐还原的协同效应：通过机器学习进行分析，并利用第一性原理计算进行验证

《ACS ES&T Engineering》：Synergistic Effects of Transition Metals and Coordination Environments on Nitrate Reduction in Tetraethynylporphyrin Analyzed by Machine Learning and Verified Using First-Principles Calculations

硝酸电解氨制氢过程中，基于机器学习与密度泛函理论筛选出4种高效金属有机框架催化剂，揭示交叉描述符φ?、吸附物电负性φ?和金属电荷QTM对硝酸盐吸附稳定性的主导作用，协同效应显著提升反应性能，并建立从多步催化筛选中直接获取关键活性描述符的方法论。

　　

将硝酸盐（NO₃RR）电化学转化为氨是一种有前景的绿色氨合成方法，同时也为解决硝酸盐污染问题提供了一种环保的替代方案。通过机器学习（ML）进行分析，并结合密度泛函理论（DFT）进行验证，从56种基于单个过渡金属原子（TM）与四乙炔基卟啉（TEP）单元（TM-N₄/N₃C₁-TEP）结合的金属有机框架（MOFs）中筛选出了四种合适的催化剂。通过机器学习和Shapley Additive ExPlanations（SHAP）全局表征方法分析了反应中间体自由能与催化性能之间的关系，结果表明：交叉描述符（φ₁）、吸附物的电负性（φ₂）以及过渡金属的电荷（Q_TM）是硝酸盐稳定吸附的主要因素。过渡金属中心与其周围配位环境之间的协同作用被认为是提高NO₃RR催化性能的关键机制。此外，该方法为直接从多步骤催化剂筛选结果中识别关键活性描述符提供了新的视角，为揭开机器学习的“黑箱”提供了方向。