石墨炔原子催化剂的崭新道路:基于自验证机器学习方法的筛选策略

近年来,原子催化剂(ACs)引起了广泛的研究关注.目前该领域的长足发展受限于贵金属的使用和单原子催化剂(SACs)的性能有限.本文总结了利用密度泛函理论(DFT)和机器学习(ML)方法筛选高效的基于石墨炔(GDY)的原子催化剂的工作.研究表明, Pd, Co, Pt和Hg可以形成稳定的零价过渡金属-石墨炔组合(TM-GDY),而镧系-过渡金属的双原子催化剂(Ln-TM DAC)组合通过f-d轨道耦合作用可以获得有效的催化性能提升.进一步分析表明,主族元素与过渡金属和镧系金属的结合可以通过p轨道耦合保持高电活性,从而构成高度稳定的GDY-DAC系统,机器学习算法也揭示了s,p轨道的作用.此外,理论算法技术在筛选催化水分解析氢反应(HER)的高效组合上也表现出了优越性,创新性地预测了石墨炔-原子催化剂在实际催化反应中的潜能.本综合评述可为未来设计新型原子催化剂提供新的思路与策略.