東南大學王金蘭教授團隊Chem綜述：計算助力電催化劑研發

材料人編輯小單 1年前 (2022-05-05) 1636瀏覽

【導讀】

隨著全球能源短缺以及環境問題的日益嚴峻，清潔能源的開發已是迫在眉睫。電化學能量轉換，能夠在電能驅動下、將空氣中的小分子（H₂O、CO₂、N₂等）轉化為增值產物（H₂、C_xH_yO_z、NH₃等），從而實現能源與重要化學原料的綠色、可持續生產，因此被視為解決當前能源短缺與環境問題的潛在方案之一。當前，缺少高效、穩定、價格低廉的電催化劑是限制這一技術實際應用的關鍵問題之一，因此電催化劑的研發一直是該領域研究的重點和難點。在過去的十幾年中，電催化劑的研發取得了長足進步，而理論計算在這個過程中發揮著不可或缺的作用。有鑒于此，東南大學王金蘭教授（通訊作者）、凌崇益副教授（第一作者）等人圍繞“計算如何助力電催化劑研發”，結合團隊前期的研究成果以及領域內一些經典例子，在Chem上發表綜述論文“How computations accelerate electrocatalyst discovery”，從理解和指導實驗兩個方面，總結和介紹了理論計算在電催化劑發展過程中的重要作用。

【綜述要點】

文章首先總結了理論計算方法與模型的發展，介紹了不同方法與模型的優勢與缺點。其次，在理解實驗方面，作者提出利用理論計算能夠幫助確定活性中心原子結構、描述反應機理以及構建活性描述符以理解活性起源，并介紹了基于這些理解而取得的重要研究進展。在指導實驗方面，文章結合一些研究結果，介紹了如何基于理論計算構建的“結構-性能”關系進行催化劑的理性設計，以及設計“突破固有線性關系限制”的高效催化劑的設計原則。此外，文章也介紹了利用高通量以及機器學習等技術手段從大量候選材料中來篩選高效電催化劑，以指導實驗合成等方面的進展。

最后，作者對理論計算在電催化領域的未來發展進行了展望及個人見解。其中最主要的問題在于方法和模型的發展，以實現真實電化學環境下的催化反應模型，從而對催化劑的活性、選擇性、穩定性等進行定量描述與評估。此外，作者也提出，機器學習在高效電催化劑篩選方面已經展現出巨大優勢，其優點在于“數據驅動”所賦予的高效率，而其缺點也在于“數據驅動”所導致大量、高質量數據的依賴。基于此，作者呼吁研究者們能在自己的研究工作中盡可能的提供準確、細節、可重復的計算和實驗數據，這必然會促進電催化劑研發取得更重要的進展。

【圖文解讀】