Sargent最新Nature:机器学习助力探索电催化剂

【引言】

随着经济的发展，全球能源亟需寻找可以替代化石燃料的可再生方案。不仅如此，化石燃料产生的大量二氧化碳也给地球环境造成了巨大的负担，如何消除这种能源副产品也是十分棘手的问题。这其中，通过电催化将二氧化碳转换成化工原料被认为是颇具前景的解决方案之一。然而，以基于铜电催化剂生产乙烯为例，其能量效率等依然无法满足低成本制备乙烯的要求。

【成果简介】

美国卡内基梅隆大学的Zachary Ulissi以及多伦多大学的Edward H. Sargent（共同通讯作者）等人合作利用理论计算和机器学习发展了一种高法拉第效率（Faradaic efficiency）的铜-铝电催化剂。与纯铜相比，这一铜-铝电催化剂的法拉第效率在电流密度为400mA/cm²时超过了80%，是迄今为止取得的法拉第效率最高值。其阴极乙烯的能量转换效率则达到了55%左右（150mA/cm²）。计算研究表明，铜-铝合金具有多种催化位点和表面取向，能够以接近最优化的程度键连CO，从而高效选择性地还原二氧化碳。该研究认为，这些发现体现了计算和机器学习在引导实验探索多金属系统电催化剂方面的价值。2020年05月13日，相关成果以题为“Accelerated discovery of CO₂ electrocatalysts using active machine learning”的文章在线发表在Nature上。

【图文导读】

图1 利用计算方法对铜基成分进行筛选

图2 铜-铝催化剂的表征

图3 铜-铝催化剂及其他铜基催化剂的二氧化碳电还原性能对比

图4 铜-铝催化剂在不同pH值的碱性电解质中的二氧化碳电还原性能

文献链接：Accelerated discovery of CO2 electrocatalysts using active machine learning（Nature, 2020, DOI: 10.1038/ s41586-020-2242-8）

本文由材料人学术组NanoCJ供稿。

材料牛网专注于跟踪材料领域科技及行业进展，欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱tougao@cailiaoren.com。