机器学习驱动的g-C3N4/TiO2光催化CO2还原优化：多参数协同作用与燃料高效转化机制解析

为解决光催化CO2还原反应中多参数交互作用复杂、实验优化周期长的问题，研究人员通过机器学习（ML）构建了Random Forest（RF）、XGBoost（XGB）和GBDT模型，基于152组高质量数据筛选出14个关键特征（如流速、催化剂用量、带隙等），发现XGB模型预测性能最优（R2=0.7805）。该研究为高效燃料（CH4、CO等）的定向合成提供了数据驱动策略，显著提升了光催化系统设计效率。

　　

随着全球碳排放量激增，联合国气候大会（COP26）将CO₂减排列为紧迫议题。传统光催化材料如TiO₂因宽禁带（3.20 eV）限制其可见光响应，而g-C₃N₄/TiO₂复合材料通过能带调控展现出优异潜力。然而，光催化效率受催化剂性质与反应条件多重因素影响，实验优化耗时费力。为此，Vellore理工学院的研究团队在《Computational and Theoretical Chemistry》发表论文，首次将机器学习与SHAP可解释性分析结合，系统解析了g-C₃N₄/TiO₂光催化CO₂还原的优化路径。

研究团队从2128篇文献中筛选152组高质量数据，采用Pearson相关性热图、SHAP值分析和部分依赖图（PDP）等技术，通过对比RF、XGB和GBDT模型性能，揭示了影响产物收率的关键参数。

关键方法

1. 数据采集：从g-C₃N₄/TiO₂光催化文献中提取152组结构化数据；
2. 特征工程：通过SHAP分析筛选14个核心特征（如光源类型、助催化剂等）；
3. 模型构建：采用5折交叉验证优化RF、XGB和GBDT超参数；
4. 可解释性分析：结合1D/3D PDP解析变量交互效应。

研究结果

1. 特征重要性排序：SHAP分析显示流速（0.32权重）、催化剂用量（0.28）和带隙（0.25）对CH₄收率影响最显著；
2. 模型性能：XGB在测试集表现最优（MAE=0.845），较传统实验节省90%优化时间；
3. 产物分布：3D-PDP证实紫外光源与1.5wt%钴助催化剂协同提升CH₃OH选择性达68%；
4. 环境效益：模拟显示优化体系可使CO₂转化能耗降低42%。

结论与意义
该研究通过机器学习首次量化了g-C₃N₄/TiO₂光催化中"催化剂-反应条件-产物"的构效关系，XGB模型的高预测精度（R²>0.78）为材料设计提供了新范式。SHAP分析揭示的助催化剂负载量阈值（1.2-1.8wt%）等规律，突破了传统试错法局限。研究提出的数据驱动框架可扩展至其他光催化体系，对实现《巴黎协定》碳减排目标具有重要实践价值。