Please wait a minute...
图/表 详细信息
催化电子捐赠的机器学习描述符: 预测氮固定中的吸附能和极限电位
赵迎, 杨海迪, 柴玉春, 高帅帅, 原鹏飞, 陈雪波
高等学校化学学报    2026, 47 (2): 20250266-.   DOI:10.7503/cjcu20250266
摘要   (87 HTML1 PDF(pc) (5165KB)(40)  

通过高通量密度泛函计算筛选出一系列具有氮还原反应(NRR)活性的B和双金属原子组成的CN-B@M2催化剂. CN-B@Fe2, CN-B@Tc2, CN-B@Os2和CN-B@Re2被认为是具有良好选择性和NRR活性的催化剂, 其极限电位(UL)分别为-0.24, -0.34, -0.31和-0.38 V. 计算结果表明, N2在B@M2上的吸附呈周期性演变, 吸附构型和能量受d带中心调节. UL随转移电荷呈火山型分布. 具有中等电子给体能力(中等电荷转移)的B@M2催化剂表现出优异的NRR活性. 通过量化催化剂的原子电子特性和拓扑结构, 构建了用于描述给电子能力的描述 符Φ. 结果表明, 给电子能力与氮还原反应的极限电位呈火山关系. 使用描述符Φ和催化剂的内在特性作为特征预测了吸附能和极限电位, 由于R2值为0.99, 梯度提升回归(GBR)被认为是构建机器学习预测模型的最恰当方法.



View image in article
Fig.6 NRR reaction paths on CN⁃B@Fe2(A), CN⁃B@Tc2(B), CN⁃B@Re2(C) and CN⁃B@Os2(D)
Insets: structural diagram represents the adsorption configuration of each step of reaction.
正文中引用本图/表的段落
计算得到这4种催化剂上的NRR极限电位分别为-0.24, -0.34, -0.31和-0.38 V, 表明它们兼 具良好的NRR活性和选择性. 其NRR反应路径的结构演变与各步骤的ΔG分别如图6(A)~(D)所示. 可以看出, 4种催化剂的决速步骤均为NRR的第一个PCET步骤, 反应遵循交替质子化路径. 在反应早期和中期, NRR过程主要发生在M2位点; 反应位点在NH2至NH3步骤发生变化: CN-B@Fe2的NH3仅与一个Fe原子结合; 在CN-B@Tc2, CN-B@Re2和CN-B@Os2中, NH2吸附在M—B位点, 而*NH3则以物理吸附方式存在于金属位点. *NH2 → *NH3步骤通常是NRR反应的共性限制环节. 由于B@M2催化剂具有多位点可参与质子化过程, 打破了该步骤的热力学限制, 从而提升了整体反应效率.
本文的其它图/表