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.7 Mulliken charge of adsorbed N2(A), volcanic relation between UL andN2 charges(B), linear relationship between Ead and Φ(C), volcanic relation between UL and Φ(D)
正文中引用本图/表的段落
为了探究影响CN-B@M2催化剂NRR活性的起源, 计算了所有催化剂的极限电位(UL), 以寻找其描述符. 由图7(A)和(B)可见, UL随氮气吸附后的电荷变化呈火山型分布. 氮气吸附后的电荷转移量可反映其被活化的能力. 已有研究表明, 优异的催化剂应对氮气具有适中的活化能力, 正如上文筛选出的4种催化剂所示. CN-B@Fe2, CN-B@Tc2, CN-B@Os2和CN-B@Re2在吸附后对氮气表现出适中的电子给予能力[图7(A)]. 基于此, 尝试构建一个特征描述符, 用以表征CN-B@M2催化剂的电子给予能力, 从而描述其NRR活性. 可认为, 该催化剂的电子给予能力与原子的电负性有关, 在催化反应过程中, 价电子通常是被活化和转移的电子, 同时氮气的吸附受到活性位点结构的影响, 因此活性位的暴露面积也是影响因素之一. 综合考虑这些因素, 通过下式将其量化, 构建了用于表示催化剂给电子能力的描述符Φ
S(nm2)为三原子所构成三角形的面积. 如图7(C)和(D)所示, 氮气吸附能(Ead)和UL分别与描述符Φ呈线性关系和火山型分布. Φ可有效预测氮气吸附能力并描述NRR活性, 该结果表明原子电子特性与拓扑结构的有效结合可用于表征催化剂活性, 也为构建NRR描述符提供了新策略. 这种描述符构建策略还有助于节省大量的计算资源.
本文的其它图/表