基于密度泛函理论与机器学习的TM-N4 -Gra/XS2 异质结催化剂设计：低过电位氧还原与析氧反应新策略

为解决质子交换膜燃料电池(PEMFCs)中氧还原反应(ORR)和氧析出反应(OER)的高过电位问题，西南大学与西华大学联合团队通过密度泛函理论(DFT)与机器学习(ML)协同策略，设计出TM-N4 -Gra/XS2 (X=Mo,Sn,W)异质结催化剂。研究发现Co/Rh等12种催化剂性能媲美Pt(ηORR =0.45V)和IrO2 (ηOER =0.40V)，为低成本高效催化剂开发提供新范式。

　　

质子交换膜燃料电池(PEMFCs)作为清洁能源转换装置，其性能瓶颈始终在于阴极氧还原反应(ORR)和阳极氧析出反应(OER)的高过电位。尽管贵金属催化剂如Pt和IrO₂
能有效降低过电位，但其高昂成本制约了大规模应用。近年来，二维材料异质结构因其独特的界面电子效应成为研究热点，但传统试错法开发催化剂效率低下。西南大学与西华大学联合团队在《International Journal of Hydrogen Energy》发表的研究，开创性地将密度泛函理论(DFT)与机器学习(ML)相结合，系统探索了78种TM-N₄
-Gra/XS₂
异质结催化剂的性能。

研究采用DFT计算形成能(E_f
)和溶解电位(U_diss
)验证稳定性，通过32组DFT数据构建ML模型，筛选出电荷转移量(Q)、过渡金属外层电子数(N_e
)和d带中心(ε_d
)等关键描述符。引入隐式溶剂效应模拟真实反应环境，最终预测出12种高性能催化剂。

结构与稳定性验证
通过构建TM-N₄
-Gra/XS₂
双层异质结模型（层间距3.41-3.49?），DFT计算显示所有结构形成能E_f
<0，证实热力学稳定性。AIMD模拟表明在500K下结构保持完整，溶解电位U_diss

0证实电化学稳定性，为后续研究奠定基础。

机器学习模型构建
将32组DFT计算的η^ORR
/η^OER
数据按3:1划分训练集与测试集，通过R²
和MSE评估确定最优算法。特征重要性分析揭示Q、N_e
和ε_d
是影响过电位的关键电子描述符，ML预测结果与DFT计算误差<0.05V。

催化性能预测
ML模型预测78种异质结中，Co-N₄
-Gra/MoS₂
的η^ORR
低至0.43V，Rh-N₄
-Gra/WS₂
的η^OER
为0.38V，均优于商业催化剂。能带分析表明界面电荷重分布优化了OOH*/O*吸附能，d带中心下移减弱中间体过度吸附。

隐式溶剂效应
考虑水环境后，溶剂化使OOH*吸附能降低0.2-0.3eV，过电位预测值更接近实验数据。pH模拟显示酸性条件下Co系催化剂稳定性更佳，为实际应用提供指导。

该研究不仅筛选出媲美贵金属的催化剂，更建立了"DFT+ML"的高效研发范式。Yu-Jie Sun等通过跨尺度计算揭示异质结界面电子调控机制，为新型催化剂设计提供普适性策略。团队提出的描述符体系可直接推广至其他催化体系，显著加速材料开发进程。这项工作在推动PEMFCs商业化进程中具有里程碑意义，其方法论对能源材料领域产生深远影响。