氧还原反应（ORR）在不同的能源和可持续性领域仍然处于研究的前沿。虽然石墨烯负载的单原子催化剂（SAC）因优化ORR效率而备受关注，但调整相邻单原子位点之间的相互作用带来了复杂的挑战。在这项研究中，本文利用密度泛函理论（DFT）计算和尖端的机器学习（ML）技术探索了144个石墨烯支持的SAC，其特征是相互作用的M₁–N₄和M₂–N₄部分（M₁，M₂=Mn、Fe、Co、Ni、Cu、Ru、Rh、Pd、Ag-Ir、Pt、Au），表示为M₁–M₂。通过调整这些相互作用，本文发现了13种优于基准催化剂Fe（OH）–N₄的特殊SAC，包括性能最好的Fe–Pd和几种非贵金属SAC，如Fe–Ag、Ag–Cu和Ag–Ag。进一步探索，本文的ML模型有效地捕捉了单原子金属性质和过电位之间的相关性，为合理的电催化剂设计提供了工具。我们的研究阐明了高效SAC催化ORR的道路，促进了可持续、节能的未来。
 
图1. （a）原电池反应和（b）M₁–M₂ SAC上的ORR的示意图。
 
图2. 144个SAC的过电位。绿色值表示低过电位（高活性），而橙色/红色值表示高过电位（低活性）。η<0.304 V的有希望的SAC用红色方块突出显示。
 
图3. （a） 144个SAC的ΔG_OOH*和ΔG_OH*之间的关系图。（b） 144个SAC的过电位作为ΔG_OOH*的函数。表现最好的五个M₁–M₂ SAC被涂成绿色并贴上标签。火山图的顶点强调了ΔG_OOH*（~1.59–1.78 eV）的最佳结合能范围。
 
图4. ΔG_OOH*用于144个SAC。最佳结合能（~1.59–1.78 eV）用绿色表示，过强结合能用红色表示，过弱结合能用黄色表示。
 
图5. （a）性能最好的SAC（Fe–Pd）和（b）性能最差的SAC的自由能分布的比较。OH*结合后（c）Fe–Pd和（d）Mn–Pd的计算PDOS。成键分子轨道，表示为σ和π，对应于Fe或Mn的d轨道与O的p轨道之间的成键相互作用。
 
图6. （a） 根据本征原子性质和DFT计算的电子性质预测过电势的ML过程的工作流程。训练（80%）和测试（20%）数据集的（b）ASPM-SISSO、（c）RSPM-SSISSO和（d）ETR模型的预测性能。（e） 说明随着训练数据集大小的增加，ETR模型的预测能力逐渐提高。
 
       相关研究成果由美国西北大学Xijun Wang等人2023年发表在The Journal of Physical Chemistry Letters (翻译：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。

转自《石墨烯研究》公众号