《Nature Communications》：Active learning-guided catalyst design for selective acetate production in CO electroreduction
编辑推荐：
针对Cu基催化剂CO-to-acetate选择性低、机理不清的瓶颈，作者构建GC-DFT-MKM-主动学习闭环框架，发现CH吸附能为决定性描述符，实验验证Cu/Pd(2:1)与Cu/Ag(3:1)法拉第效率分别达50%与47%，为电催化碳资源高值化提供可扩展AI设计范式。
全球乙酸年需求预计2025年将达24.5百万吨，传统甲醇羰基化工艺高能耗、强腐蚀且依赖化石CO。电化学CO还原反应（CORR）可在温和条件下将工业尾气碳源一步转化为乙酸，成为绿色合成新路线。然而，铜（Cu）催化剂本征选择性低，实验优化长期依赖“试错”，且C-C耦机制争议——CO二聚、CO-COH、CO-CHO、CO-CHx等多路径并存，缺乏可预测的描述符，制约催化剂理性设计。
为破解上述难题，Yuting Xu等建立“大正则DFT-微动力学-主动学习-实验验证”全链条框架。研究首先构建涵盖C1/C2产物的完整反应网络，采用大正则密度泛函理论（GC-DFT）在恒定电极电位（CEP）模型下计算各基元步电子能与活化能，引入隐式+双显式水层捕捉氢键。随后将势能面输入自主Python微动力学模型（MKM），耦合过渡态理论求解ODE，量化CO分压、电位、pH对法拉第效率（FE）的影响。MKM揭示：提高CO压力抑制HER，乙烯与含氧产物呈竞争关系；乙烯、乙醇呈“火山”峰型，最佳电位约-0.5 VRHE，而乙酸在-0.8 VRHE才达峰。灵敏度分析（DRC）指出，乙酸生成速率由CH表面覆盖度控制，CO-CH耦合为关键步骤；乙烯、乙醇则主要经CO-CHO路径。由此，作者提出CH吸附能（?E）为选择性描述符，并发现适中增强CH*吸附（?E≈-0.20 eV vs Cu）可显著提升乙酸FE，而对C2H4、C2H5OH几乎无影响。
借助主动学习，团队以随机森林/XGBoost回归预测CH吸附能，仅55组DFT数据起步，经10轮迭代将MAE降至0.04 eV，高效筛选出Cu/Pd(2:1)与Cu/Ag(3:1)两组合金，其?E落入“促进区”。DFT表面形成能证实二者稳定性不逊于纯Cu。实验部分，采用电置换-氢气还原法制得Cu/Ag，溶剂热法制得Cu/Pd，XRD、HRTEM、XPS、ICP-MS均验证合金结构且表面无氧化态。零间隙膜电极（MEA）测试显示，常压CO下Cu/Pd与Cu/Ag的乙酸FE分别达47%与50%，碳基选择性78%与72%，远高于纯Cu的21%与42%，且电位-产物火山曲线与MKM预测高度吻合，证实CH描述符的可靠性。
关键技术方法：①大正则DFT（GC-DFT）+CEP模型计算电位依赖的基元能垒；②微动力学建模（MKM）结合Plug-flow ODE求解预测FE；③随机森林/XGBoost主动学习加速CH*吸附能高通量预测；④零间隙MEA电解槽+在线GC/H NMR定量产物。
研究结果分四步展开：
原子尺度机制——GC-DFT构建C-C耦网络，确认CO-CH路径为乙酸主通道；
操作条件效应——MKM再现CO压力、电位、pH对产物FE的火山行为；
描述符发现——灵敏度分析锁定CH*为乙酸选择性唯一可调描述符；
AI催化剂设计——主动学习-实验闭环验证Cu/Pd、Cu/Ag显著提升乙酸FE。
结论与讨论：该工作首次将“DFT-微动力学-机器学习-实验”闭环用于CORR催化剂开发，证明CH*吸附能是调控乙酸选择性的“单一旋钮”，并可推广至CO2RR及其他金属体系，为碳中和背景下高效羧酸合成提供了可复制的人工智能催化设计范式。论文发表于《Nature Communications》。
