AI加速发现缺陷工程杂原子掺杂碳电催化剂用于将CO2电化学还原为C2+产物

《Journal of CO2 Utilization》：AI-accelerated discovery of defect-engineered heteroatom-doped carbon electrocatalysts for electrochemical CO? reduction to C?? products

本文报道了一项AI加速计算研究，旨在解决将CO2高选择性电化学还原为高附加值多碳（C2+）产物的核心瓶颈。研究人员通过整合高通量密度泛函理论（DFT）与集成机器学习，系统筛选了8000种杂原子（N、S、P、B）掺杂的缺陷碳构型，发现了三元N–S–P掺杂结合Stone–Wales缺陷的催化结构，可显著降低C–C偶联能垒，并预测最高性能催化剂CAT06928的C2+法拉第效率可达89.5%±1.7%。这项工作为设计无金属、高效、可持续的CO2还原电催化剂提供了重要的计算设计原则和实验验证指导。

　　

每年超过370亿吨的人为二氧化碳排放，正将大气浓度推高至百万分之420以上，对全球气候构成了严峻挑战。利用可再生电力驱动的电化学CO₂还原技术，有望将这种温室气体转化为乙烯、乙醇等高价值多碳化学品，是一条实现碳中性化工生产的重要路径。然而，将实验室规模的催化性能转化为工业应用面临巨大障碍：对多碳产物（C₂⁺）的法拉第效率（Faradaic efficiency）不足、竞争性的析氢反应、电流密度不足、催化剂在长时间运行下不稳定以及过高的能耗，这些都阻碍了其与传统热化学工艺的经济竞争力。其中，在CO₂电还原过程中选择性形成碳-碳键，是限制实际应用的核心瓶颈。虽然铜基催化剂已展现出潜力，但它们易失活且成本较高。因此，开发地球储量丰富、可调谐且稳定的无金属碳基电催化剂，成为研究焦点。尽管杂原子（如氮、硫、磷）掺杂和缺陷工程能调控碳材料的电子结构以创造活性位点，但如何从浩如烟海的组成参数空间（包括杂原子种类、浓度、空间分布、缺陷形态和碳基底结构）中，系统、高效地筛选出最优催化剂，仍然是一个巨大的挑战。传统试错法效率低下，而现有的计算研究通常只考察少量构型，缺乏系统性和预测可靠性。

为了应对这一挑战，来自匈牙利德布勒森大学（University of Debrecen）的Mohammad Fazle Rabbi在《Journal of CO2 Utilization》上发表了一项研究，题目为“AI加速发现缺陷工程杂原子掺杂碳电催化剂用于将CO₂电化学还原为C₂⁺产物”。这项研究提出了一个创新的人工智能（AI）加速计算框架，首次将涵盖8000种独特构型的高通量密度泛函理论（Density Functional Theory, DFT）筛选与经过严格统计验证的集成机器学习（Ensemble Machine Learning）相结合，专门针对用于C₂⁺生产的无金属碳电催化剂。研究旨在回答几个核心问题：哪些描述符主导C-C偶联选择性？杂原子与缺陷如何协同调制催化性能？如何通过多目标优化平衡活性、选择性和成本？以及集成机器学习模型能否可靠地预测性能？

研究人员通过一个五层级的集成工作流程来开展研究。第一层，催化剂设计空间构建：通过组合枚举，生成了8000种独特的催化剂构型，覆盖了不同的碳基底（石墨烯、氧化石墨烯等）、杂原子掺杂剂（B、N、S、P及其二元/三元组合）和缺陷形态（Stone-Wales、吡啶氮、边缘缺陷、空位等）。第二层，密度泛函理论筛选：使用VASP软件进行DFT计算，提取了43个描述符，包括电子特性（功函数、d带中心、电荷转移等）和关键反应中间体（CO₂、COOH、CO、COCO等）的吸附能。第三层，集成机器学习预测：结合随机森林、梯度提升和XGBoost算法，利用DFT计算出的描述符来预测C₂⁺法拉第效率，并通过交叉验证确保模型的泛化能力。第四层，计算性能预测：通过动力学蒙特卡洛模拟等方法，预测了法拉第效率、电流密度、产物选择性和操作稳定性。第五层，多目标优化与经济建模：通过性能评分、技术经济模型和生命周期评估，评估催化剂的商业可行性和环境效益。

2.1. 描述符分析与机理阐释

通过DFT计算和特征重要性分析，研究发现COCO吸附能是主导C₂⁺选择性的最关键描述符。对优选的三元N–S–P掺杂Stone–Wales缺陷结构进行深入分析，揭示了三种协同的催化机理通路：1）氮掺杂将局部功函数从4.5 eV降低至4.2 eV，使起始过电位降低了0.18 V；2）互补的S–P电负性对比在相邻碳位点建立了0.31的Bader电荷不对称性，优先稳定了COCO过渡态；3）Stone–Wales重排将C–C键长延长至1.44 ?。这些效应共同作用，使得C–C偶联能垒相较于原始石墨烯降低了0.30 eV。

2.2. 机器学习模型性能与催化剂筛选

集成机器学习模型在交叉验证中取得了R²= 0.8760 ± 0.0274的优异性能，残差呈高斯分布，表明预测可靠。利用训练好的模型对8000种构型进行高通量筛选，并结合多目标帕累托优化，最终得到了301个高性能候选构型。

2.3. 顶级催化剂性能预测

在筛选出的候选者中，性能最高的催化剂被标记为CAT06928。计算预测其能在-0.80 V（相对于可逆氢电极，vs. RHE）的电位下，实现89.5% ± 1.7%的C₂⁺法拉第效率、301 ± 9 mA cm^-2的电流密度，以及15.71的C₂⁺/CO选择性比。动力学蒙特卡洛模拟预测其在200小时运行后性能衰减约为18%。此外，研究还对该催化剂的结构进行了计算表征，预测了其XRD图谱、拉曼光谱和XPS结合能，为未来的实验合成与验证提供了参考。

2.4. 经济与环境效益评估

技术经济模型预测，基于CAT06928的CO₂还原工艺成本可低于0.50美元/千克（产物）。生命周期评估显示，与化石燃料热化学CO₂转化工艺相比，该工艺可减少51.4%的碳足迹，展现了显著的经济与环境可持续性优势。

本研究通过整合高通量DFT计算与AI驱动机器学习，成功构建了一个强大的计算发现框架，用于设计高效无金属碳电催化剂。研究不仅系统筛选了数千种催化剂构型，揭示了*COCO吸附能作为关键描述符的机理，还成功预测出如CAT06928等高性能催化剂，其在C₂⁺法拉第效率、电流密度和选择性方面均超越了当前大多数实验报道的体系。更重要的是，技术经济和环境评估表明，所设计的催化剂具有工业化应用的成本竞争力和环境友好性。这项工作超越了传统的试错法，为理性设计CO₂还原电催化剂提供了可量化的结构-性能关系和明确的设计原则，架起了计算预测与实验合成之间的桥梁，为发展可持续的碳中性化学制造技术提供了有力的理论指导和新范式。尽管所有性能指标均来自计算预测，亟需后续的实验验证，但本研究提出的AI加速计算框架无疑将显著加速未来高性能、低成本、可持续CO₂还原催化剂的发现进程。