利用机器学习(ML)进行有效的数据分析,可以潜在地加速新催化剂的发现和优化。
有鉴于此,厦门大学汪骋教授和Da Zhou等人,记录了使用ML在用于CO2还原的Cu催化剂的电化学沉积过程中寻找添加剂的过程,
本文要点
1)以铜盐为原料,采用电化学沉积法制备了Cu催化剂,并添加了不同的金属盐和有机分子作为添加剂。确定了Sn盐是获得CO和HCOOH的重要添加剂,脂肪醇是促进C2+生产的重要添加剂。在实验条件下,Cu2O立方体还原为金属Cu,对C2+产物具有高选择性,这与报道的氧化物衍生铜(OD-Cu)的性能一致。
2)该过程包括三个迭代循环:“实验测试-ML分析-预测和重新设计”。已知用于CO2RR的Cu催化剂可得到一系列产物,包括C1(CO,HCOOH,CH4,CH3OH)和C2+(C2H4,C2H6,C2H5OH,C3H7OH)。
3)催化剂制备过程中添加剂对催化剂的形貌和表面结构的细微改变会导致CO2RR选择性的剧烈变化。经过数次ML循环后,获得了对CO,HCOOH和C2+产物具有选择性的催化剂。
总之,这一催化剂发现过程突出了ML通过从有限数量的实验数据中有效提取信息来加速材料开发的潜力。
参考文献:
Ying Guo et al. Machine-Learning-Guided Discovery and Optimization of Additives in Preparing Cu Catalysts for CO2 Reduction. J. Am. Chem. Soc., 2021.
DOI: 10.1021/jacs.1c00339
https://doi.org/10.1021/jacs.1c00339