Sargent最新Nature:機器學習助力探索電催化劑

【引言】

隨著經濟的發展，全球能源亟需尋找可以替代化石燃料的可再生方案。不僅如此，化石燃料產生的大量二氧化碳也給地球環境造成了巨大的負擔，如何消除這種能源副產品也是十分棘手的問題。這其中，通過電催化將二氧化碳轉換成化工原料被認為是頗具前景的解決方案之一。然而，以基于銅電催化劑生產乙烯為例，其能量效率等依然無法滿足低成本制備乙烯的要求。

【成果簡介】

美國卡內基梅隆大學的Zachary Ulissi以及多倫多大學的Edward H. Sargent（共同通訊作者）等人合作利用理論計算和機器學習發展了一種高法拉第效率（Faradaic efficiency）的銅-鋁電催化劑。與純銅相比，這一銅-鋁電催化劑的法拉第效率在電流密度為400mA/cm²時超過了80%，是迄今為止取得的法拉第效率最高值。其陰極乙烯的能量轉換效率則達到了55%左右（150mA/cm²）。計算研究表明，銅-鋁合金具有多種催化位點和表面取向，能夠以接近最優化的程度鍵連CO，從而高效選擇性地還原二氧化碳。該研究認為，這些發現體現了計算和機器學習在引導實驗探索多金屬系統電催化劑方面的價值。2020年05月13日，相關成果以題為“Accelerated discovery of CO₂ electrocatalysts using active machine learning”的文章在線發表在Nature上。

【圖文導讀】

圖1 利用計算方法對銅基成分進行篩選

圖2 銅-鋁催化劑的表征

圖3 銅-鋁催化劑及其他銅基催化劑的二氧化碳電還原性能對比

圖4 銅-鋁催化劑在不同pH值的堿性電解質中的二氧化碳電還原性能

文獻鏈接：Accelerated discovery of CO2 electrocatalysts using active machine learning（Nature, 2020, DOI: 10.1038/ s41586-020-2242-8）

本文由材料人學術組NanoCJ供稿。

材料牛網專注于跟蹤材料領域科技及行業進展，歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com。