机器学习筛选用于气体吸附分离和存储的金属有机骨架材料

金属有机框架（Metal-organic framework ,MOF）因其高孔隙率、高比表面积和结构可调性,在气体吸附分离领域广泛应用。随着MOF数量激增,传统分子模拟和实验方法验证MOF性能成本高且速度慢,因此目前MOF筛选工作已转向高通量计算辅助的机器学习（Machine-learning,ML）。机器学习作为一种高效的大数据处理方法,能够在高通量筛选（High-Throughput Computational Screening,HTCS）的基础上对数据进行拟合,从而快速而准确地筛选出气体吸附分离材料,并深入挖掘其结构与性能之间的关系。本文回顾了近年机器学习应用于MOF筛选的研究。本文重点讨论了一些运用机器学习从大量结构中筛选出可用于CH4、H2和CO2等气体吸附分离与储存的MOF材料的工作。同时,我们梳理了当前MOF材料筛选工作中的研究思路和进展,并指出了机器学习在筛选MOF材料工作中面临的一些瓶颈和挑战。最后,对该领域的未来发展前景进行了展望。     

燃料电池中Pt基催化剂对CO的催化氧化

燃料电池具有燃料多样性、噪声低、对环境污染小等优势,近年来备受研究者关注。然而,电池中的贵金属催化剂极易被少量的CO毒化,成为制约其商业化的一大障碍。因此,设计出高性能的催化剂对于推动燃料电池的发展十分关键。本文综述了燃料电池中铂(Pt)基催化剂对CO催化氧化的研究现状,首先探讨了CO催化氧化机理以及CO在Pt金属表面化学吸附的机理,其次详细介绍了Pt负载型催化剂、双金属催化剂以及助催化剂在催化反应中的不同作用,然后简单分析了影响Pt基催化剂性能的其他因素。最后,对燃料电池中Pt基催化剂的研究方向作了进一步的展望,旨在为燃料电池中CO催化氧化的发展开拓新思路。     

单原子催化剂在电化学合成氨中的理论研究进展

传统Haber-Bosch工艺合成氨需要大量的能源消耗和复杂的工厂基础设备。在可再生能源的推动下,将氮气电化学还原为氨被认为是替代Haber-Bosch工艺最有效的方法,这在科学界引起了极大的关注。然而,这个过程受到氨产量和法拉第效率低的影响,因此开发更有效的电催化剂对其实际应用至关重要。在之前报告的催化剂中,单原子催化剂（SACs）在高效利用原子和不饱和配位方面表现出显著优势,这为优化催化剂性能提供了巨大的空间。文章综述了单原子催化剂在电化学合成氨中的理论研究,详细分析了贵金属催化剂、非贵金属催化剂和非金属催化剂这3类单原子催化剂的性能表现,旨在为电化学合成氨技术的发展提供理论参考。     

机器学习结合密度泛函理论计算在材料科学中的研究进展

近年来,材料科学研究中密度泛函理论(DFT)计算与机器学习相结合的方法呈现爆炸式增长的趋势。本文综述了密度泛函理论(DFT)及其高通量方法产生的大量计算数据与机器学习相结合的原理和意义,从DFT计算的基本原理出发,重点介绍了机器学习(ML)方法的流程、常用的算法及其在催化材料预测热门研究方向中的应用,最后剖析了这个新兴领域目前存在的研究问题、挑战以及未来的发展前景。     

1T相MoS2的制备及在电催化分解水析氢反应中的应用

二硫化钼(MoS₂)已成为电化学析氢反应(HER)中铂催化剂的廉价替代品。1T-MoS₂是MoS₂的金属相，由于其具有优异的导电性和更多的电化学活性位点，因此成为了比2H-MoS₂更具前景的理想催化剂材料。本文综述了1T相MoS₂的制备及在HER中的应用。首先，比较了1T-MoS₂和2H-MoS₂几何结构及电子结构的差异，从“自上而下”及“自下而上”的角度概述了1T-MoS₂常用制备方法，总结1T-MoS₂及1T-MoS₂基材料在HER领域的应用；最后指出现阶段关于1T-MoS₂的研究中仍存在的一些关键问题。