黄世萍/郭翔宇AFM：理论计算+机器学习，实现GDY和HGY负载的单原子催化剂的有效设计

通过电化学二氧化碳还原反应(CO₂RR)将CO₂转化为高附加值产物为缓解环境和能源问题提供了一条有效的方法。然而，具有线性结构的CO₂分子具有很强的分子惰性，需要高能量输入才能激活/断开C=O键；此外，电化学CO₂RR涉及多个质子-电子对转移步骤，降低了产物的选择性。

具有独特结构和优异电子特性的石墨炔(GDY)近年来受到越来越多的关注。GDY中−C≡C−的sp杂化使π/π*垂直指向中心金属，与金属原子形成强相互作用，最大限度地阻止它们的聚集。因此，利用GDY作为载体的金属单原子催化剂(M/GDY)表现出优异的CO₂RR活性。

此外，利用Castro-Stephens偶联反应合成的多孔石墨炔(HGY)具有特殊的π-共轭结构和非线性sp，键使得HGY也成为形成锚定单金属位点(M/HGY)的潜在载体。

然而，目前基于HGY的单原子催化剂未在实验中实现，其CO₂RR机理尚不清楚。因此，全面理解GDY和HGY在CO₂RR催化剂设计中的潜在作用对于催化剂的优化具有重要意义。

基于此，北京化工大学黄世萍和新加坡国立大学郭翔宇等将一系列过渡金属原子锚定在GDY和HGY上，并通过密度泛函理论(DFT)计算和机器学习，揭示了GDY和HGY负载的单原子催化剂(SACs)的CO₂RR性能及其催化机理。

具体而言，研究人员共建立了60个SAC模型，其中有25个催化剂表现出较高的CO₂活化能力和CO₂RR选择性，可以作为高效的CO₂RR催化剂。同时，有8种催化剂表现出比Cu (211)更高的CO₂转化为甲烷活性。

理论计算结果表明，催化活性的提高来源于反应中间体与金属之间的相互作用，其中带有较小极化电荷的中心金属原子更容易诱导CO₂分子的适度活化，从而产生较高的CO₂RR催化活性。还有就是，通过合理选择催化剂载体，可以很好地解决催化活性、产物选择性以及金属中心的中毒问题。

此外，包括机器学习在内的统计分析能够确定影响总体性能的关键属性，并建立可预测的框架来筛选大量的SAC组合空间。总的来说，这些结果有助于全面理解金属元素和载体在CO₂RR中的作用，为合理构建基于GDY和HGY的SAC以提高CO₂RR性能提供了指导。

Design of Graphdiyne and Holey Graphyne-Based Single Atom Catalysts for CO₂ Reduction With Interpretable Machine Learning. Advanced Functional Materials, 2023. DOI: 10.1002/adfm.202213543