"可解释机器学习驱动的铌掺杂N3C1-TEP共价有机框架高效电催化固氮机制研究"

这篇研究通过密度泛函理论（DFT）高通量筛选与可解释机器学习（ML）相结合，系统探究了29种过渡金属（TM）嵌入的N4/N3C1-TEP共价有机框架（COF）对电催化氮还原反应（eNRR）的性能影响。研究发现Nb-N3C1-TEP具有卓越催化活性（极限电位-0.11V），并通过SHAP分析揭示TM-d轨道半径、TM-N键长和电荷转移为关键调控因素，为理性设计高效eNRR催化剂提供了新范式。

　　

Highlight

本研究通过"四步法"高通量筛选策略，从58种TM-N₄/N₃C₁-TEP材料中锁定7种高效电催化剂，其中Nb-N₃C₁-TEP单层材料展现出惊人的热力学催化活性（极限电位仅-0.11V），其性能优势源于：

1）显著延长的N≡N键长（1.147?）

2）0.150e的显著电子转移

3）TM中心与配位环境的协同效应

DFT计算

所有自旋极化计算均采用广义梯度近似（GGA）下的PBE泛函，通过DMol³软件包完成。为准确描述长程分散作用，引入Grimme经验校正，并设置20?真空层以避免周期性相互作用。

TM-N₄/N₃C₁-TEP构型与DFT筛选

通过将29种金属原子嵌入两种四乙炔基卟啉骨架（图1a），系统评估了材料形成能（E_f）和溶解电位（U_diss）。值得注意的是，N₂分子在催化剂表面存在两种吸附构型（图1b），这种构型差异直接影响后续还原反应的能垒。

结论

综合DFT计算与机器学习分析表明：TM-N₃C₁-TEP（TM=Nb,Re等）材料通过独特的d轨道杂化机制，有效削弱N≡N三键并促进电子转移，为开发新一代环境友好型合成氨催化剂提供了理论依据。