题目：Quantitative Insight into the Electric Field Effect on CO2 Electrocatalysis via Machine Learning Spectroscopy
文献出处：
https://pubs.acs.org/doi/10.1021/jacs.4c12174
通讯作者及单位：
Song Wang / Jun Jiang / Yi Luo
University of Science and Technology of China, Hefei, Anhui 230026, P. R. China
摘要
在化学反应中，特别是电催化和电合成过程中，电场是调节反应过程的最核心驱动力。然而，由于难以定量测量微观水平上引起的电场效应，电场对电催化反应的调节尚未得到很好的数字化理解。本文以 CO(2) 分子的红外/拉曼光谱信号为描述符，定量预测了不同电场对催化性能的影响。以金属掺杂石墨 C(3)N(4) （g-C (3)N(4)） 催化剂为例，作者从理论上研究了 CO(2) 分子吸附在 27 种不同的金属单原子催化剂上在不同方向和强度下的吸附模式和能量。通过机器学习方法，建立了红外/拉曼光谱描述符与吸附能量/电荷转移之间的光谱特性模型，量化了电场效应对 CO(2) 催化转化的促进性。同时，基于注意力机制，挖掘了光谱与吸附模式之间关系的催化洞察，实现了从光谱中对电场强度的逆预测。这项工作为使用机器学习光谱监测和调节电催化反应开辟了一条新的定量途径
理论与计算方法
DFT:6-311G(d) and SDD (Stuttgart/Dresden ECP plus DZ) for transition metallic elements
ML:使用具有三个卷积块、两个注意力块和两个全连接块的一维卷积神经网络 （CNN） 来基于光谱描述符预测吉布斯自由能和电场强度。这些模型是在 PyTorch 上构建和训练的。
结果讨论与文献解析
图1展示了预测M@g-C3N4对二氧化碳吸附能量的流程图。这个流程图详细描绘了从构建金属掺杂的g-C3N4催化剂模型开始，到通过不同方向和强度的电场影响下二氧化碳分子的吸附过程，以及如何利用红外和拉曼光谱数据集来训练卷积神经网络模型，最终实现对二氧化碳吸附能量和电场强度的预测。整个流程强调了机器学习在从光谱特性中定量预测电催化性能和电场效应中的作用。
图2展示了电场对CO2分子吸附在M@g-C3N4催化剂上结构的影响，包括：(a)分子结构在电场作用下的显著变化；(b)有无电场时金属-碳(M−C)键长的变化比较；(c)有无电场时C−O键长（C−O1和C−O2的平均值）的变化比较；(d)有无电场时O−C−O键角的变化比较。这些图表说明了电场的强度和方向如何影响CO2分子的吸附结构，以及这些结构变化如何与吸附自由能和电荷转移相关联。
图3a展示了在YOZ方向上不同电场强度下，M@g-C3N4对CO2吸附的吉布斯自由能变化。随着电场强度的增加，CO2的吸附自由能降低，表明电场增强了CO2与M@g-C3N4电催化剂之间的相互作用，使得吸附过程更加有利。图3b展示了在YOZ方向上不同电场强度下，CO2分子上的电荷转移变化。随着电场强度的增加，电荷转移增加，这表明增强的电场强度提高了表面吸附位点的亲和力，从而增强了CO2与M@g-C3N4之间的相互作用，增强了吸附能量和电荷转移。图3c展示了使用带有注意力机制的神经网络，通过红外和拉曼光谱预测CO2吸附的吉布斯自由能。模型显示出较高的预测准确性，表明注意力机制能够更好地捕捉CO2吸附过程中光谱的变化。图3d展示了使用带有注意力机制的神经网络，通过红外和拉曼光谱预测CO2分子上的电荷转移。模型能够精确预测电荷转移，进一步证实了机器学习模型在预测电催化性能方面的有效性。
图4通过几个子图展示了机器学习模型的解释能力和对电场强度的逆向预测能力，具体包括：(a)展示了模型4在60个样本中的关注度与CO2分子非对称伸缩振动区域的一致性，表明模型能够自动识别与吸附自由能最相关的光谱特征；(b-d)分别展示了不同吸附模式下的红外光谱和模型4关注的区域，包括物理吸附、碳吸附和碳-氧混合吸附；(e)展示了通过红外和拉曼光谱进行的电场强度的逆向预测，显示了机器学习模型能够从光谱特征中检测到人类难以察觉的电场信号变化，并预测催化系统中的电场强度。这些结果表明，机器学习模型不仅能够预测吸附能量和电荷转移，还能够监测和量化催化活性中心中的实际电场强度，为通过调节电场来定制所需的催化结构和性质提供了可能。
