机器学习协同高通量DFT设计高效单原子催化剂用于析氢反应

为解决单原子催化剂(SACs)开发中材料筛选范围广、研发成本高、周期长等问题，研究人员通过机器学习(ML)与高通量DFT协同策略，系统研究了90种过渡金属(TM)/非金属(NM)掺杂石墨炔(TM/NM-GY)的析氢反应(HER)活性，发现Fe?、Ni?等8种催化剂性能超越商用Pt/C，并证实键长、d带中心等特征因子与活性相关，其ML堆叠模型为高效预测优质SACs提供新范式。

　　

这项突破性研究将机器学习(ML)与高通量密度泛函理论(DFT)计算巧妙结合，像化学界的"阿尔法折叠"般精准预测了90种过渡金属(TM)/非金属(NM)修饰石墨炔(GY)单原子催化剂(SACs)的析氢反应(HER)性能。令人振奋的是，Fe-B-GY等8种催化剂的活性居然碾压了传统铂碳(Pt/C)催化剂，非金属硼(B)或氮(N)原子的掺杂就像"分子开关"般精准调控着催化活性。

研究团队通过原子尺度的"化学显微镜"观察到，催化活性与配位原子键长、金属结合高度、电荷转移等微观特征强相关，特别是d带中心这个"电子指挥家"的偏移直接主导催化效能。更酷的是，他们开发的ML堆叠模型如同"催化剂预言机"，能快速筛选最优材料组合。这项研究为绿色制氢领域的高效催化剂设计提供了革命性的智能研发范式。