海南大學鄧意達教授團隊創新融合機器學習與密度泛函理論，成功篩選出高效光催化二氧化碳還原雙原子催化劑，為破解傳統試錯法效率低下的行業難題提供了全新技術路徑。近日，該研究成果在國際期刊《先進能源材料》發表。

　　當前，全球能源需求持續激增推動二氧化碳排放量攀升，將二氧化碳轉化為可再生燃料，成為降低傳統化石能源依賴的關鍵方向。其中，光催化二氧化碳還原技術因綠色環保特性，被視作該領域的核心破局手段。然而，該技術的核心載體——原始石墨相氮化碳，存在活性位點稀缺、二氧化碳吸附能力有限的缺陷，導致催化性能受限;同時，過渡金屬組合種類繁多，傳統試錯法研發周期長、成本高，嚴重制約雙原子催化劑的研發進程。因此，開發快速高效的篩選方法，解決雙原子催化體系難題、實現二氧化碳高效還原轉化，已成為當前科研領域的重點方向。

　　為突破這一研發困境，鄧意達團隊將研究聚焦于石墨相氮化碳負載雙原子催化劑，構建了系統性篩選方案：首先通過密度泛函理論，精準計算中間體在雙原子催化劑表面的吸附能，形成高質量數據集;隨后利用該數據集對機器學習模型進行訓練與測試，通過多類機器學習算法對比，篩選出性能最優的模型及關鍵特征參數;最后將所有雙原子催化劑的特征參數輸入最優模型，同時結合大規模密度泛函理論研究，對潛力候選催化劑進行驗證，最終成功篩選出一系列可高效光催化二氧化碳制一氧化碳、甲酸的雙原子催化材料，為后續實驗合成環節大幅縮短了研發周期。

　　鄧意達表示，該研究創新性構建了“雙原子協同—機器學習—高通量篩選”三位一體的催化劑設計范式，清晰揭示了雙原子基礎特征與預測極限電位之間的微觀作用機制。這一成果不僅將人工智能加速材料發現的理念成功拓展至光催化二氧化碳還原領域，更為后續催化劑的實驗合成與性能優化提供了堅實的理論支撐和明確的研發方向。