机器学习结合恒电位模拟揭示电催化固氮电荷转移机制

一、研究背景：温和条件下合成氨的挑战与机遇

氨合成是现代化学工业的基石，但传统哈伯-博施法依赖高温高压的苛刻条件，导致其能耗巨大，约占全球能源消耗的2%，并贡献了约3%的二氧化碳排放。在“双碳”战略背景下，开发能够在温和条件下运行的绿色合成氨技术，已成为全球科研界亟待攻克的关键课题。

电催化氮还原反应（NRR）被视为一条极具前景的绿色合成路径。它能够在常温常压下，利用水和氮气直接电合成氨，理论上具有能耗低、过程零碳排放的优势，尤其契合未来分布式可再生能源体系。然而，该技术面临两大核心挑战：一是氮气分子中N≡N三键异常稳定（键能高达941 kJ/mol），在温和条件下活化难度极大，反应动力学缓慢；二是在水相电解环境中，竞争性的析氢反应（HER）速率远高于NRR，导致合成氨的法拉第效率与产氨速率长期处于低位。

为了突破这些瓶颈，研究人员将希望寄托于结构精准的单原子分子催化剂。其中，碳硼龙（Carbolong）家族分子，特别是具有15碳骨架的碳硼烷（Carborin），因其独特的π共轭结构和可精准锚定金属中心的特性，展现出作为多功能协同催化平台的巨大潜力。

然而，在对此类催化剂进行理论设计与筛选时，传统计算方法遇到了瓶颈。广泛采用的计算氢电极（CHE）模型，其核心假设是每一步基元反应均转移一个电子（1e⁻）。但实际电催化过程在恒定电位下进行，中间体的电荷状态会随电位动态变化。忽略这种动态电荷效应，可能导致自由能计算出现偏差，甚至错误地判断整个反应的速率控制步骤。此外，如何在一个高效的计算框架内，同时整合电位效应、溶剂化效应以及催化剂与载体间的界面相互作用，一直是该领域的重要难题。

二、研究亮点：机器学习与恒电位模拟融合的新范式

近期一项突破性研究，为解决上述难题提供了全新方案。该研究的核心创新在于，首次将机器学习（ML）与正则系综恒电位法（FPM）深度结合，构建了一个DFT-ML高通量筛选框架。这一体系能够同步考虑电位驱动、溶剂环境以及界面电子耦合等真实电解条件，从而实现对NRR催化剂的高精度筛选与反应机理的深度解析。

利用该框架，研究团队系统筛选了144种由不同官能团修饰的碳硼烷/石墨烯负载单原子催化剂（涵盖25种过渡金属与6种官能团）。筛选结果令人瞩目：Cr@NO₂-carborin/石墨烯和Cr@CHO-carborin/石墨烯体系脱颖而出，成为性能最优的候选催化剂。前者的起始电位低至-0.220 V（速控步为*N₂→*N₂H），后者为-0.245 V（速控步为*NH→*NH₂），且两者对析氢副反应的法拉第效率均高达99%。

此项研究清晰揭示了传统CHE方法的局限性。通过对比分析发现，由于CHE忽略了中间体电荷态的实时变化，其计算出的自由能曲线存在显著偏差，甚至可能导致对速控步骤的误判。例如，对于Cr@CHO-carborin催化剂，CHE错误地将*N₂→*NNH步骤判断为速控步，而FPM模拟则显示，真正的动力学瓶颈在于后续的*NH→*NH₂步骤。这有力证明了恒电位法在描述电荷动态转移过程方面的优越性。

在机制层面，研究通过皮尔逊相关性分析与SHAP可解释性模型，挖掘出一个关键的电催化动态描述符：中间体吸附诱导的零电荷电位偏移。该描述符直接调控着电荷转移模式与氮气分子的活化效率，突破了以往仅依赖静态电子结构参数（如d带中心）的局限，为理解电位如何微观调控催化性能提供了全新视角。

催化剂的稳定性是实际应用的前提。研究通过300K温度下长达5000飞秒的从头算分子动力学模拟证实，这两种最优催化剂结构稳定，且氨气产物的脱附过程在热力学上完全可行，为其潜在的实验制备与应用奠定了坚实的理论基础。

三、核心机制：动态电荷调控与高效活化

那么，其背后的高效催化微观机制是什么？关键在于恒电位下的动态电荷调控。FPM模拟明确指出，在恒定电位下，中间体（如*N₂、*NNH）的吸附会引发催化剂表面零电荷电位的移动。这一移动直接改变了整个体系的电荷状态（例如从携带n₁个电子变为n₂个），导致每一步的净电荷转移量为（n₂-n₁-1）个电子，这与CHE模型假设的固定转移1个电子有本质区别。正是这种动态电荷调整，决定了中间体的稳定性和各反应步骤的能垒。

深入分析表明，零电荷电位偏移是主导催化活性的核心“开关”。它与体系电荷变化呈现极强的线性相关性。以性能最佳的Cr@NO₂-carborin为例，吸附氮气后，其零电荷电位从-4.52 V下降至-4.62 V，导致表面积累的负电荷从0.132 e⁻增加至0.316 e⁻。这种适度的电荷积累起到了双重优化作用：一方面，它轻微削弱了氮气的吸附强度，避免其过度吸附而难以继续反应；另一方面，它促进了电子从铬原子的d轨道向氮气分子的π*反键轨道转移，从而有效削弱了坚固的N≡N三键。

从电子结构分析，最优催化剂中铬原子的d带中心恰好位于“火山图”的底部。这一位置意味着其对关键中间体*NNH的结合能达到了最优平衡——既足够强以有效活化反应物，又不会过强导致中间体或产物难以脱附。同时，态密度分析显示，铬的d轨道与氮的p轨道在费米能级附近发生了显著的轨道杂化，这进一步强化了氮气的活化能力。

关于反应路径，计算证实NRR更倾向于选择能量上更有利的“远端路径”。而“交替路径”则因需要形成高能量的*NHNH中间体，在动力学上处于劣势。此外，石墨烯载体扮演了不可或缺的角色：其优异的导电性促进了电荷在层间的重新分布，显著优化了活性位点局部的电子环境，从而提升了整体的催化反应动力学。

四、总结与展望

总而言之，这项研究通过创新性地融合机器学习与恒电位DFT模拟，为高效、精准筛选与解析NRR催化剂提供了一套新范式。它不仅成功发现了Cr@NO₂和Cr@CHO修饰的碳硼烷/石墨烯这类高性能候选材料，更重要的是，揭示了在恒电位条件下，由中间体吸附诱导的零电荷电位偏移，是调控多电子转移反应的核心动态描述符。

这项工作清晰地指出了传统CHE方法在描述电催化动态过程时的固有缺陷，而FPM与ML的结合，则为理解复杂电催化界面过程打开了一扇新窗口。其意义超越了氨合成领域，所建立的通用理论框架，对于理解其他涉及复杂多电子转移的电催化反应（如二氧化碳还原、氧还原反应等），同样具有重要的借鉴价值，为理性设计下一代高效电催化剂提供了坚实的计算工具与理论指导。

论文DOI: 10.1002/advs.202524356