华东理工大学教授段学志、特聘研究员曹约强团队发现了具有优异选择性电催化加氢性能的催化剂，建立了由描述符选取、理论数据集构建、机器学习预测、实验验证和机理分析组成的数据驱动催化剂设计范式，为从复杂材料空间中高效发现催化剂提供了新的研究思路，并展现出向其他催化材料体系和反应场景拓展的潜力。相关研究成果近日发表于《美国化学会志》。

电催化选择性加氢涉及反应物吸附、表面活性氢生成、目标产物形成及竞争性析氢等多个相互耦合的过程，其活性与选择性高度依赖于催化剂表面氢物种（H*）的吸附强度。单原子合金体系能够在原子尺度上精确调控活性位点的电子结构与局域配位环境，实现对H*吸附强度的精准调控，但仅依靠实验试错难以快速识别具有适宜H*吸附强度的催化材料。

研究团队系统计算了系列铜基单原子合金的H*吸附特性，构建了融合吸附能、电子结构和元素本征性质的材料数据库，并建立可解释机器学习模型，实现了对不同单原子合金H*吸附强度的快速预测，同时辨识出影响其吸附行为的关键材料特征。在此基础上，研究团队从候选材料空间中筛选出具有适中H*吸附强度的Pt₁Cu催化剂。

进一步地，研究团队以5-羟甲基糠醛选择性电催化加氢为模型反应，对筛选结果和设计判据进行了实验验证。Pt₁Cu催化剂在较宽电位区间内实现了超过90%的目标产物法拉第效率，并有效抑制析氢反应和副产物生成。此外，以H*吸附强度指导催化剂设计的原则在糠醛电催化加氢中同样得到了验证。Pt单原子的引入能够有效调控铜表面H*吸附特性。适中的H*吸附强度有助于平衡活性氢的生成与加氢反应，并适度稳定加氢中间体，从而促进目标加氢路径并抑制竞争反应。

数据驱动电加氢催化剂设计示意图。研究团队供图

相关论文信息：https://doi.org/10.1021/jacs.6c11060