近期，海南大学邓意达、王浩志所在团队在Advanced Energy Materials发表题为《Accelerating the Prediction of g-C₃N₄-Supported Dual-Atom Catalysts for Photocatalytic CO₂ Reduction to CO and HCOOH: A Machine Learning and DFT Combined Approach》的研究论文。海南大学材料科学与工程专业卞映媚硕士为论文第一作者，邓意达教授、王浩志副研究员为论文通讯作者。

全球能源需求激增导致CO₂排放攀升，将CO₂转化为可再生燃料成为一条极具吸引力的路径，有望降低对传统化石能源的依赖，光催化CO₂还原被视为绿色破局之道。原始 g-C₃N₄ 活性位点少，对CO₂吸附能力有限，性能受限，双原子催化剂具有高原子利用率和显著协同效应，金属原子间的协同作用可优化关键中间体的吸附模式与反应路径，降低活化能垒，显著提升催化转化速率与选择性。作为 CO₂RR 两电子路径的重要产物，CO可作为化工原料用于合成多种燃料，而HCOOH则是一种高能量密度的氢载体，可通过燃烧释放能量。然而，过渡金属组合数量庞大，传统试错法耗时巨大。因此，寻找快速有效的方法解决双原子催化体系问题，实现高效CO₂RR转化是目前的热点。

团队采用了机器学习与密度泛函理论相结合的方法，聚焦于双原子负载g-C₃N₄形成的双原子催化剂（TM1TM2@g-C₃N₄），系统探索高效生成CO和HCOOH 的双原子催化剂候选体系。首先，通过DFT计算中间体在TM1TM2@g-C₃N₄表面的吸附能，以确定CO和HCOOH的形成，获得极限电位U_L作为目标数据。输入特征由数据库中提取的特征和使用DFT方法计算的部分数据组成，从而构建数据库。随后，利用获得的数据集训练和测试机器学习模型，采用多种机器学习算法识别性能最佳的模型及模型最终选定的特征，发现FNN模型能够准确的捕捉双原子催化剂的性质。最后，将所有DACs的特征输入模型，以快速预测CO和HCOOH生成的高活性双原子催化剂候选物，并通过广泛的DFT研究对有前景的候选物进行验证，筛选出VV（U_L = -0.72 V）、RuHf@g-C₃N₄（U_L = -0.79 V）高效制CO，MoMo（U_L = -0.28 V）、CrMo@g-C₃N₄（U_L = -0.32 V）高效制HCOOH，并兼具可见光响应与热力学稳定性，为实验合成按下“快进键”。总体而言，本研究构建了“双原子协同—机器学习—高通量筛选”三位一体的催化剂设计范式，前馈神经网络模型成功捕获了双原子的基础特征与预测极限电位之间的微观机制。该成果不仅将 AI 加速材料发现的理念成功拓展至光催化 CO₂ 还原，也为后续实验合成和性能优化提供了理论导航。

该项工作得到了国家自然科学基金委员会（项目编号：52301011、52231008 和 22302029）、海南省自然科学基金委员会（项目编号：524QN226）、海南省重点研发计划（项目编号：ZDYF2024GXJS006） 海南大学启动研究基金（编号：KYQD(ZR)23026）、海南省国际科技合作项目（编号：GHYF2023007）等项目的支持和资助。

论文原文链接：

https://advanced.onlinelibrary.wiley.com/doi/10.1002/aenm.202503855