氮掺杂过渡金属-N4 -石墨烯单原子催化剂用于析氢反应的理论计算与机器学习协同设计

针对单原子催化剂(SACs)在析氢反应(HER)中设计效率低的问题，研究人员通过密度泛函理论(DFT)筛选出氮掺杂Zn-NC SACs作为高效HER催化剂，并建立随机森林回归(RFR)机器学习模型预测氢吸附自由能(△G *H )，成功预测516种三氮掺杂结构的活性，为低成本快速设计非贵金属催化剂提供新范式。

　　

氢能因其高能量密度和零污染特性被视为化石燃料的理想替代品，而电催化水分解制氢技术（HER）的核心挑战在于如何替代昂贵的铂基催化剂。单原子催化剂（SACs）通过将活性位点缩小至原子尺度，理论上可实现100%原子利用率，但传统实验方法难以高效优化其配位环境。尤其对于氮掺杂过渡金属-N₄
-石墨烯体系（M-NC SACs），氮原子掺杂数量与位置的组合爆炸式增长使得实验筛选几乎不可能。

针对这一难题，重庆工商大学的研究团队在《Molecular Catalysis》发表研究，结合密度泛函理论（DFT）与机器学习（ML），系统探索了26种过渡金属-NC SACs的HER活性。通过计算氢吸附自由能（△G
_*H
，HER活性描述符），发现双氮掺杂的Zn-NC SACs（|△G
_*H
| ≤ 0.1 eV）具有接近铂的优异活性。进一步分析Bader电荷、电荷密度差和积分晶体轨道哈密顿布居数（ICOHP），揭示氮掺杂通过调节锌原子d轨道电子态降低反应能垒的机制。为加速设计，团队基于97组双氮掺杂结构的△G
_*H
数据，对比六种算法后确立随机森林回归（RFR）为最优预测模型（输入特征为原子间距相关参数），并成功外推至516种三氮掺杂结构，筛选出多个高活性构型。

关键技术包括：1）维也纳从头算模拟软件包（VASP）进行DFT计算；2）投影缀加波（PAW）方法处理电子-离子相互作用；3）基于Bader电荷和ICOHP的电子结构分析；4）RFR算法构建构效关系模型。

研究结果

1. 氮掺杂M-NC SACs的筛选
   DFT计算表明，在26种过渡金属中，Zn-NC SACs在双氮掺杂时△G
   _*H
   最接近热中性值（-0.08~0.05 eV），优于其他金属如Co（0.32 eV）和Ni（0.41 eV）。

2. 机器学习模型构建
   以原子间距为特征，RFR对双氮掺杂体系的预测误差（MAE=0.03 eV）显著低于支持向量机等算法，并在20%三氮掺杂验证集（129个结构）中保持高精度。

3. 高活性结构预测
   RFR预测的516种三氮掺杂Zn-NC SACs中，12种构型△G
   _*H
   绝对值低于0.1 eV，最优构型为Zn-N₃
   C₁
   （△G
   _*H
   =-0.07 eV）。

结论与意义
该研究首次实现DFT与ML协同设计氮掺杂SACs，不仅证实Zn-NC SACs的HER应用潜力，更建立了普适性预测框架。RFR模型可拓展至其他非金属元素（如硫、磷）掺杂体系，为“计算指导-实验验证”的催化剂开发模式提供新工具。重庆教育委员会资助的这项成果，有望推动非贵金属催化剂在绿氢产业的规模化应用。