一．文献信息
题目：In silico design of copper-based alloys for ammonia synthesis from nitric oxide reduction accelerated by machine learning
期刊：Journal of Materials Chemistry A
DOI号：[10.1039/d3ta01883k](https://doi.org/10.1039/d3ta01883k)
二．全文速览
通过第一性原理计算和机器学习（ML）全面研究了铜合金的NORR性能。发现，氮原子的吸附能Eads(*N)是NORR的有效催化描述符。通过对140种铜合金进行筛选，我们发现了Cu@Cu3Ni和Cu2Ni2@Cu3Ni这两种具有极低极限电位和合理低动力学障碍的理想非贵金属铜基合金催化剂。接着构建了一个高准确性的ML模型来预测Eads(*N)，并阐明了局部元素特征作为关键因素。通过预测约200万个双金属合金表面上的Eads(*N)，揭示了Ni是增强NORR活性的最佳非贵金属元素。
三．主要研究问题和结论
**主要研究问题：**
1. 如何改善铜基催化剂在亚硝酸盐电还原反应（NORR）中将NO转化为NH3的性能。
2. 寻找有效的铜合金催化剂，以提高NORR的活性和选择性。
3. 确定哪些铜合金具有最佳的NORR活性和选择性，以及它们的催化机制。
**主要结论：**
1. 通过第一性原理计算和机器学习（ML）方法，研究了铜合金的NORR性能，并发现氮原子的吸附能Eads(*N)是NORR的有效催化描述符。
2. 在筛选的140种铜合金中，Cu@Cu3Ni和Cu2Ni2@Cu3Ni表现出极低的极限电位和合理的动力学障碍，是理想的非贵金属铜基合金催化剂。
3. 构建了一个准确的ML模型来预测Eads(*N)，并扩展到超过200万个双金属铜基合金表面，发现Ni是增强铜基电催化剂NORR活性的最佳非贵金属元素。
4. 研究结果为NORR电催化剂的设计提供了理论基础，并为未来实验研究提供了新的方向，特别是在提高NORR效率方面。
四．结果与讨论
文章中的图表汇总及其主要内容如下：
图 1：(a) 展示了Cu(111)、Cu3X(111)和Cu2X2(111)合金的表面结构顶视图，以及可能的过渡金属X原子。
(b) 展示了G(*NOH)、G(*NH)和G(*NH2)与描述符Eads(*N)的缩放关系。
(c) 展示了DG与Eads(*N)的火山图，以及Cu3X和Cu2X2(111)表面的潜在决定步骤(DGmax)的变化。
(d) 展示了Cu3X和Cu2X2(111)表面的DGmax变化
图 2：(a) 展示了12种Cu基合金的几何结构的侧视图。
(b) 展示了对铜基合金上描述符Eads(*N)的高通量筛选。
(c) 展示了铜基合金的DG(*H)与DG(*NOH)的比较。
(d) 展示了铜基合金的整体筛选方案。
图 3：展示了Cu、Cu@Cu3Ni和Cu2Ni2@Cu3Ni沿distal-O路径的NORR动力学。插图显示了初始状态(IS)、过渡态(TS)和最终状态(FS)的结构
图 4：(a) 展示了反应位点的局部原子环境模型。
(b) 通过皮尔逊相关系数分析展示了七个输入特征的热图，包括原子数(N)、原子半径(r)、偶极极化性(D)、电子亲和力(EA)、泡林电负性(En)、电离势(I)和d电子数(Nd)。
(c) 展示了MLP、KRR、RF和GBDT模型在测试集上的RMSE和R2分数的比较。
(d) 展示了GBDT模型预测和DFT计算Eads(*N)的一致性。
图 5：(a) 展示了原子属性的特征重要性分析。
(b) 展示了每种金属预测Eads(*N)在0.7 eV到1.3 eV范围内的比例。
(c) 展示了所有由Ni合金化的Cu基合金预测Eads(*N)的分布
