Advanced Science 辽宁大学团队 机器学习结合恒电位模拟:揭示电催化固氮电荷转移机制新突破
氨合成是可持续能源体系的关键环节,传统哈伯 - 博施法依赖高温高压条件,消耗全球近 2% 的能源并排放 3% 的 CO₂,亟需开发温和条件下的绿色合成技术。 电催化氮还原反应(NRR)是低能耗、零排放分布式氨合成的理想途径,但面临 N≡N 键(键能 941 kJ/mol)活化动力学缓慢、水溶液中析氢反应(HER)竞争剧烈的问题,导致催化活性与选择性偏低。 单原子分子催化剂(SAMCs)凭借原子级精准调控配位环境的优势,成为提升 NRR 选择性的核心研究方向。其中,碳硼龙(carbolong)家族分子(如含 15 个碳原子的 carborin)具有独特共轭骨架与金属中心整合结构,为协同催化提供了多功能平台。 传统密度泛函理论(DFT)模拟中,计算氢电极(CHE)方法假设每步电子转移固定为 1e⁻,忽略了实际电催化过程中电位驱动的电荷态变化,导致中间体自由能计算不准确,甚至误判速率决定步骤(PDS);且缺乏高效方法整合电压效应、溶剂效应与催化剂 - 载体相互作用,难以系统筛选高性能 NRR 催化剂。