点击文末阅读原文可直达文献
随着可再生能源驱动的电催化水分解技术引起越来越多的关注，氢能的生产已被认为是未来低碳能源系统的关键。然而，水分解技术的实际应用受限于电催化剂的性能。传统的试验-误差设计方法效率低下，计算化学为催化剂的开发提供了强有力的理论支持，使得科学家能够通过电子行为和活性位点的理论分析，预测和优化电催化剂的性能。
成果简介
本文综述了近年来计算化学在水分解电催化研究中的应用与进展，特别是针对氢析出反应（HER）与氧析出反应（OER）的理论描述，结合新兴的机器学习算法，加速了高效电催化剂的筛选与开发。
研究亮点
电催化基础：详细阐述了HER和OER的基本机理，并介绍了不同pH条件下反应的影响。
计算方法进展：探讨了密度泛函理论（DFT）、分子动力学（MD）模拟等多尺度计算方法在水分解电催化中的应用。
描述符优化：总结了HER与OER中的关键反应描述符，并提出了打破吸附中间体缩放关系以提高催化剂活性的策略。
未来展望：指出了当前计算化学在电催化研究中的挑战，并展望了未来的发展方向。
配图精析
图1: 计算化学加速水分解电催化剂发现的示意图
图1展示了计算化学如何通过理论预测和优化，加速了水分解电催化剂的发现。通过结合量子化学、分子动力学和微观动力学模型，实现了多尺度的催化性能预测与表征。
图2: HER和OER机理的酸碱条件比较
图2分别展示了酸性和碱性介质中HER和OER的基本机理。在酸性条件下，反应以质子为电子供体，而在碱性条件下，反应需要通过水解离产生OH⁻，这导致了不同的反应速率和机制。
展望
计算化学作为一种重要工具，极大地推动了水分解电催化剂的开发，特别是在理论预测和催化剂优化方面。未来，随着机器学习等新兴技术的加入，计算化学有望在推动绿色氢能发展中发挥更大作用。
文献信息
标题: Computational chemistry for water-splitting electrocatalysis
期刊: Chemical Society Reviews
DOI: 10.1039/d2cs01068b
原文链接: https://doi.org/10.1039/d2cs01068b
点击阅读原文直达文献~
声明：更多内容请参考原文，如有侵权，后台联系编辑删除。
