氧還原反應（ORR）在不同的能源和可持續性領域仍然處于研究的前沿。雖然石墨烯負載的單原子催化劑（SAC）因優化ORR效率而備受關注，但調整相鄰單原子位點之間的相互作用帶來了復雜的挑戰。在這項研究中，本文利用密度泛函理論（DFT）計算和尖端的機器學習（ML）技術探索了144個石墨烯支持的SAC，其特征是相互作用的M
1–N
4和M
2–N
4部分（M
1，M
2=Mn、Fe、Co、Ni、Cu、Ru、Rh、Pd、Ag-Ir、Pt、Au），表示為M
1–M
2。通過調整這些相互作用，本文發現了13種優于基準催化劑Fe（OH）–N
4的特殊SAC，包括性能最好的Fe–Pd和幾種非貴金屬SAC，如Fe–Ag、Ag–Cu和Ag–Ag。進一步探索，本文的ML模型有效地捕捉了單原子金屬性質和過電位之間的相關性，為合理的電催化劑設計提供了工具。我們的研究闡明了高效SAC催化ORR的道路，促進了可持續、節能的未來。
圖1. （a）原電池反應和（b）M
1–M
2 SAC上的ORR的示意圖。
圖2. 144個SAC的過電位。綠色值表示低過電位（高活性），而橙色/紅色值表示高過電位（低活性）。η<0.304 V的有希望的SAC用紅色方塊突出顯示。
圖3. （a） 144個SAC的ΔG
OOH*和ΔG
OH*之間的關系圖。（b） 144個SAC的過電位作為ΔG
OOH*的函數。表現最好的五個M
1–M
2 SAC被涂成綠色并貼上標簽?；鹕綀D的頂點強調了ΔG
OOH*（~1.59–1.78 eV）的最佳結合能范圍。
圖4. ΔG
OOH*用于144個SAC。最佳結合能（~1.59–1.78 eV）用綠色表示，過強結合能用紅色表示，過弱結合能用黃色表示。
圖5. （a）性能最好的SAC（Fe–Pd）和（b）性能最差的SAC的自由能分布的比較。OH*結合后（c）Fe–Pd和（d）Mn–Pd的計算PDOS。成鍵分子軌道，表示為σ和π，對應于Fe或Mn的d軌道與O的p軌道之間的成鍵相互作用。
圖6. （a） 根據本征原子性質和DFT計算的電子性質預測過電勢的ML過程的工作流程。訓練（80%）和測試（20%）數據集的（b）ASPM-SISSO、（c）RSPM-SSISSO和（d）ETR模型的預測性能。（e） 說明隨著訓練數據集大小的增加，ETR模型的預測能力逐漸提高。
相關研究成果由美國西北大學Xijun Wang等人2023年發表在The Journal of Physical Chemistry Letters (翻譯：https://doi.org/10.1021/acs.jpclett.3c02273)上。原文：Fine-Tuning Dual Single-Atom Metal Sites on Graphene toward Enhanced Oxygen Reduction Reaction Activity。
轉自《石墨烯研究》公眾號
