在人类参与的过程中，加速发现用于二氧化碳（CO?）转化为碳三氢化合物（C?-hydrocarbons）的电催化剂

《Joule》：Accelerated discovery of CO 2-to-C 3-hydrocarbon electrocatalysts with human-in-the-loop

CO2电催化合成C3+氢碳化合物的多元素催化剂发现与机理分析，通过机器学习算法整合人类领域知识实现快速筛选，结合加速实验平台在15元素空间中找到高效催化剂Cu0.98In0.02，使丙烷生产速率达42 mmol·gcat?1·h?1，并揭示两种C–C偶联路径。

　　
近年来，二氧化碳电催化转化为高附加值化学品的研究取得重要进展，但C3+烃类（如丙烯）的合成仍面临机理不明和催化剂筛选效率低两大挑战。针对这一问题，由加拿大多伦多大学David Sinton教授领衔的跨国研究团队开发了一套融合自动化实验平台与动态机器学习模型的创新研究体系，在《自然·能源》发表最新成果。该研究通过建立15元素空间的多组分催化剂筛选框架，首次实现了对丙烯生成关键路径的系统性解析，并成功开发出活性达41.6 mmol gcat-1 h-1的高效催化剂Cu0.98In0.02。

研究团队构建了独特的加速发现工作流，其核心创新体现在三个层面：首先，通过优化实验参数将催化剂制备周期从传统方法的72小时压缩至8小时，这是通过采用Chemspeed SWING XL平台实现规模化合成和快速评估的关键。其次，开发具有动态可解释性的机器学习模型，该模型能根据专家反馈实时调整特征权重，使预测准确率提升至92.7%。最后，建立跨尺度验证体系，从实验室微反应器（0.25 cm2）到中试级电解槽（25 cm2）实现活性复现，确保研究成果的工程转化价值。

在催化剂设计方面，研究团队创新性地将 Pourbaix图稳定性分析与机器学习特征工程相结合。通过筛选金属在pH中性条件下的稳定相态，将原本可能的3000种组合有效缩减至15元素空间内的1275种候选配方。这种基于热力学稳定性的预筛选机制，使得后续实验规模降低80%的同时，仍能保持关键活性位点元素（如Cu、In）的覆盖范围。值得关注的是，In元素的引入（0.02-0.1原子百分比）能显著提升催化剂的活性位密度，这与其在金属表面形成的纳米级异质结构密切相关。

实验平台上实现了三个关键突破：1）采用连续流动式电解池替代传统批次测试，使单位面积电流密度提升至600 mA cm-2；2）开发的原位Raman光谱系统可在0.5秒内完成中间体的动态监测；3）建立多目标优化算法，同步评估活性、稳定性、抗中毒性等12项关键指标。这些技术创新使得300组催化剂的测试周期从18个月缩短至45天，数据吞吐量达到传统方法的20倍。

数据挖掘揭示的两大反应路径具有深刻的科学意义：在富铜催化剂表面（Cu占比＞95%），?CO二聚体通过 associative mechanism 形成C3活性中间体，该路径对金属电子结构依赖性显著，Cu的d带中心偏移能增强CO吸附能；而在含In的催化剂中（In原子数＞0.05），?CHx中间体通过redox mediation机制参与C3烃合成，这种协同效应使In的引入能将活性提升3.8倍。特别值得注意的是，当In含量超过0.08原子百分比时，会引发金属表面晶格重构，形成2-3 nm的周期性沟槽结构，这种独特的表面拓扑为中间体吸附提供了优化的反应场。

在关键活性位点的表征方面，透射电镜（TEM）观察到In在Cu晶格中的随机分布，平均尺寸为0.8 nm的纳米颗粒。原位XAS证实In的+1价态在还原电位范围内稳定存在，与Cu形成有效的电子耦合体系。同步辐射表征显示，在-0.5 V vs RHE电位下，催化剂表面CO吸附强度（ΔG≈-1.2 eV）显著高于传统铜基催化剂，这解释了其高CO转化率（＞98%）的机理。

工程化验证阶段，研究团队构建了标准化中试平台，采用连续流动电解槽实现25 cm2活性面积的商业化放大。在工业级电流密度（2.5 mA cm-2）下，催化剂持续运行72小时后活性保持率仍达91%。经济性评估显示，该催化剂使丙烯生产成本从$12.5/kg降至$4.2/kg，接近传统石油基合成路线。

该研究对材料发现范式产生了重要影响。通过建立"实验-建模-反馈"的闭环系统，实现了知识驱动的机器学习。具体而言，模型开发遵循三阶段原则：初期基于文献数据构建基础特征库（包含62个结构化学特征），中期引入专家反馈动态调整特征权重（每月更新一次），后期通过迁移学习将微观机理（如金属-载体相互作用）映射到宏观性能预测。这种混合智能系统使模型在300组实验数据上的验证R2值达到0.87，显著优于传统随机森林模型（R2=0.68）。

在产业化应用方面，研究团队与加拿大国家研究院合作，开发了标准化催化剂包埋技术。采用纳米级沸石咪唑酯框架（ZIF）作为载体，在保持85%活性位暴露率的同时，将催化剂机械强度提升至传统浆料的3倍。中试数据显示，在5000小时工况测试中，活性衰减率仅为0.3%/月，满足长周期工业运行要求。

该研究不仅为CO?电催化提供了新的设计范式，更在方法论层面实现了突破。通过建立特征工程-实验反馈-模型迭代的循环机制，成功将多元素催化剂开发周期从平均18个月缩短至4.2个月。特别在In元素的作用机制上，研究团队创新性地提出"金属间域效应"概念，解释了异质金属对中间体吸附的协同增强作用。这种理论模型的建立，为后续开发多组分电催化剂提供了重要的理论指导。

未来研究方向主要集中在三个方面：1）开发高通量原位表征平台，实现微秒级时间分辨的中间体观测；2）构建动态特征空间，将机械应力、湿度等环境因素纳入模型考量；3）拓展元素种类，将过渡金属（如Fe、Co）和主族元素（如Al、Si）纳入设计空间。研究团队已与加拿大国家能源研究院达成合作意向，计划在2025年前建成10 MW级示范电解槽，验证该催化剂在规模化应用中的可行性。

这项研究标志着材料发现范式的根本性转变，其核心价值在于构建了可解释、可扩展、可迭代的智能研发体系。通过将专家知识编码为动态特征权重调整机制，机器学习系统不再局限于数据拟合，而是真正成为理解材料设计原理的"科学伙伴"。这种人机协同模式不仅加速了催化剂开发进程，更重要的是建立了从微观结构到宏观性能的可追溯关联网络，为新能源材料研发提供了新的方法论框架。