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）

HTML （1）

PDF（pc）（5165KB）（39）

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(U_L)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. U_L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.

分别采用极端梯度提升决策树（XGB）、随机森林（RF）、决策树（DT）和梯度提升回归（GBR）方法（图8），研究特征描述符与E_ad及U_L之间的关系，排列重要性（Permutation importance）方法被用来进行模型的可解释性分析，以突出关键特征. 这种方法通过随机打乱单个特征的值并观察模型性能的变化来评估特征重要性，它能识别特征与目标变量间的复杂依赖关系，而不仅限于线性或单调关系，通过单特征置换，减少多重共线性对重要性评估的干扰；能够直接反映特征对模型性能的实际影响，结果易于解释. 首先，通过Pearson相关性分析评估各描述符与吸附能之间的关联强度（图S1，见本文支持信息）. 从图S1可见，价电子数（VP）与吸附能的相关性强度为0.85，与电负性的相关性为0.46，与催化剂拓扑结构特征——面积的相关性也为0.47. 图8（A）还展示了这些描述符与吸附能之间的特征重要性分析，结果同样突出了VP和面积的重要性，进一步验证了催化剂的N₂吸附能在很大程度上取决于原子的电子性质和拓扑特征. 因此，所构建的描述符Φ与吸附能具有高达0.83（图S1）的强相关性.

在使用多种机器学习方法进行训练后（图S2~图S4，见本文支持信息），发现GBR对吸附能的预测精度最高， R2达到99%［图8（B）］. 随后，利用这些特征构建了预测U_L的机器学习模型. 相关性分析结果表明，拓扑特征Φ和h、 B@M₂的R_M及金属的主族序数与U_L均具有较强相关性，进一步说明催化剂拓扑结构对决定催化活性的重要性. 同时，特征重要性分析也揭示了VP和χ的重要性［图8（C）］，表明原子电子属性在决定催化活性中起到关键作用. 同样， GBR在预测U_L时也表现出优异的准确性［图8（D）］.