机器学习赋能CO₂电还原催化剂设计与高通量筛选研究进展

摘要

为了解决传统试错法研发CO₂电还原（CO₂RR）催化剂周期冗长、筛选效率低下、难以满足工业对高性能催化剂的需求，本文基于机器学习（ML）与密度泛函理论（DFT）的耦合高通量筛选思路，系统梳理CO₂RR催化剂多维度理性设计调控策略，对比多类催化材料的数据驱动筛选研究进展并剖析现存技术短板。从电子结构、几何形貌、表面微环境及反应条件等多维度，归纳催化剂活性、选择性与稳定性调控手段；分类评述金属/合金、金属化合物、单/双原子及MOF基等多类催化剂结合机器学习开展高通量筛选的研究进展，对比不同材料体系适用机器学习算法、关键描述符与筛选流程。在金属合金体系中，基于主动学习模型可将CO吸附能预测误差控制在0.1 eV以内，通过t-SNE降维与火山图快速筛选高乙烯选择性Cu-Al多元合金；金属硫化物、MXene等化合物催化剂以d带中心、金属电负性为核心描述符，可一次性完成数百种材料的预筛选；单/双原子催化剂依托金属-载体相互作用、配位电子特征打破中间体吸附能线性标度关系，定向筛选甲烷高活性位点；MOF、异质结等新型催化剂可通过机器学习构建捕集-还原一体化预测框架，但现有研究多停留在理论计算层面，缺乏系统实验验证。最后剖析机器学习用于CO₂RR催化剂筛选现存的短板，针对性提出未来四大优化发展方向，同时展望该技术在推动催化剂理性设计、助力碳循环与绿色能源产业化方面的应用前景。数据驱动的高通量筛选可大幅压缩催化剂研发成本与周期，旨在为后续CO₂RR催化剂的理性设计与工业应用提供参考。

关键词

CO₂ / 电催化还原 / 机器学习 / 催化剂高通量筛选 / 高附加值燃料