Cu催化剂是非常重要的CO₂电化学还原催化剂，能够得到广泛的碳产物：C₁ (CO, HCOOH, CH₄, CH₃OH)、C₂ (C₂H₄, C₂H₆, C₂H₅OH, C₃H₇OH)。通过合成过程中加入添加剂，能够调控Cu催化剂的形貌、界面结构，导致CO₂电化学还原反应中产生显著变化。有鉴于此，厦门大学数学科学学院周达、汪骋等报道了通过机器学习方法对Cu催化剂在CO₂电化学还原反应中沉积在催化剂界面上的添加剂物种，具体通过“实验观测-机器学习分析-反应预测催化剂再设计”的迭代循环进行研究，获得了得到不同反应产物的催化剂。

本文要点：

（1）

通过这种机器学习研究，分别获得了促进生成CO、HCOOH、C₂₊产物的催化剂结构。

以各种铜盐作为原料，加入不同有机盐、有机分子添加剂，通过三次迭代，发现Sn盐对于电催化合成CO、HCOOH非常重要；脂肪醇能够促进生成C₂₊产物。当加入含有OH基团的脂肪族分子，能够更好的合成C₂₊产物，这是因为电化学沉积过程中通过形成Cu₂O立方体实现的。

（2）

意义。展示了机器学习能够通过有限的实验结果，加速催化剂结构优化、发展新型催化剂。

参考文献

Ying Guo, Xinru He, Yuming Su, Yiheng Dai, Mingcan Xie, Shuangli Yang, Jiawei Chen, Kun Wang, Da Zhou*, and Cheng Wang*, 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://pubs.acs.org/doi/10.1021/jacs.1c00339