将二氧化碳转化为碳基燃料有望缓解温室气体效应和能源危机。 然而，目前电催化剂对 CO₂ 还原的选择性和效率仍然不令人满意。

有鉴于此，日本国家材料研究所叶金花教授和中南大学刘敏教授等人，综述了近年来机器学习方法在筛选CO₂还原电催化剂方面的研究进展。

本文要点

1）通过构建良好的机器学习模型，通过对吸附能、d带中心、配位数等关键描述符的高通量计算，可以预测和理解各种可能材料的催化活性、最佳成分、活性位点和CO₂还原反应路径。机器学习现在已经成为一种快速、低成本的方法，可有效探索用于 CO₂ 还原的高性能电催化剂。

2）综述了利用机器学习技术筛选CO₂还原反应催化剂的研究进展。在数据收集中，为了得到训练良好的模型，需要提供大量的数据。而且，应该仔细考虑特征的选择。吸附能、配位数、d带中心等被认为是预测CO₂还原反应行为的有效特征。此外，选择合适的机器学习算法，如人工神经网络、k-最近邻、决策树、核方法等，是进行合理预测的决定因素之一。理想的建模方法是计算量小但精度高。到目前为止，各种候选材料都可以从电子态、原子位置和晶体结构的角度来理解。

3）在二氧化碳还原反应中，机器学习有时是预测催化活性、催化剂优化、活性位点识别和反应路径的有效工具。在未来的研究中，机器学习的研究可能会集中在这几个方面，以解决 CO₂ 还原反应中一些最受关注的局限性。首先，以往的机器学习预测主要是基于碳基产物的选择性和活性，对C2+产物的机理研究和预测非常有限。其次，以往预测的催化剂主要是金属和合金材料，氧化物、硫化物、氮化物等化合物的复合催化剂很少被关注。第三，将机器学习计算与先进的实验分析技术（如原位和操作表征）相结合，以揭示 CO₂ 还原反应机理，在设计新型催化剂方面很有前景。第四，溶剂效应机理和通过机器学习筛选合适的溶剂在开发高性能电化学 CO₂ 还原反应系统中很有前景。

参考文献：

Ning Zhang et al. Machine Learning in Screening High Performance Electrocatalysts for CO₂ Reduction. Small Methods, 2021.

DOI: 10.1002/smtd.202100987

https://doi.org/10.1002/smtd.202100987