编辑推荐：
二维材料在能源与环境领域的应用及机器学习辅助设计进展。ML通过加速高性能电极发现、催化剂优化、热电转换等系统筛选，结合DFT提升材料设计效率，同时面临数据质量、模型泛化性和物理可解释性挑战，未来将发展物理指导学习与多目标优化。
陶健|赵增健|叶旺阳|蔡翔|林洪军|滕佳恒|李碧生|赵雷宏|陈邦林
中国浙江省师范大学地理与环境科学学院，数字智能监测与流域环境修复重点实验室，金华321004
摘要
二维（2D）材料具有原子级厚度、可调的电子结构以及复杂的界面化学性质，因此在可持续能源转换和环境修复领域受到了越来越多的关注。然而，传统的实验方法和第一性原理筛选方法仍然速度较慢且成本较高，这限制了对这些材料丰富成分和结构多样性的探索。本文总结了机器学习（ML）辅助设计2D材料的最新进展，重点介绍了常用的监督学习、无监督学习和半监督学习算法、特征工程技术以及开放数据库。将ML与密度泛函理论（DFT）相结合，可以加速高性能电极的发现，指导电催化剂和光催化剂的优化，并实现热电、传感、海水淡化和污染物去除系统的有效筛选。文中还讨论了ML在毒性评估和安全评估中的新兴应用。分析了数据质量、特征构建、模型泛化能力和物理可解释性方面的关键挑战，并概述了物理指导学习、自动化ML和多目标优化的未来发展方向。总体而言，本文为将机器学习与2D材料的合理设计联系起来，以服务于可持续能源和环境系统提供了全面的视角。
引言
随着全球对清洁能源和可持续环境技术需求的不断增长，对具有高效电化学转化能力、能够选择性传输分子并在各种条件下保持长期稳定性的材料的研究也在不断加强[1]。二维（2D）材料已成为应对这些挑战的有希望的替代材料。自石墨烯被发现以来，这一领域发展迅速。由于其原子级厚度、可调的电子结构和较大的比表面积，2D材料吸引了越来越多的关注。这些特性赋予了2D材料高电导率、高热导率和机械柔韧性。此外，其表面化学性质可以精确调控，从而在吸附、离子分离和异相催化等领域得到广泛应用[2]、[3]、[4]。
文献计量分析（图1a）显示，2D材料在能源、电子和环境领域以及能量存储、能量转换和能量恢复方面的研究活动显著增加。这些领域之间的联系紧密相连。例如，2D材料的大表面积和可调孔隙性可以加速电化学动力学并实现选择性离子传输[5]、[6]。通过对2D材料表面进行改性，可以提高其电催化活性和污染物捕获能力[7]、[8]、[9]。无论是海水淡化装置还是能量转换装置，都依赖于稳定的界面，并要求离子迁移可控[10]、[11]、[12]。采用综合视角看待这些研究领域的问题，有助于确定通用设计原则，并促进跨学科策略的发展，从而推动可持续能源和环境技术的进步。2D材料的发展正逐渐从依赖经验探索转向依靠理论和数据进行设计。早期研究主要集中在2D材料的合成和表征上，这些研究揭示了2D材料的光学、电学、热学和机械性质[13]、[14]、[15]。密度泛函理论（DFT）为带隙调节、能带对齐和电荷转移提供了更深入的理解，为性能优化奠定了基础[16]、[17]、[18]。通过分子动力学（MD）模拟，我们能够捕捉到实际条件下的热传递、离子扩散和缺陷演变等动态过程[19]、[20]。总的来说，这些计算工作产生了大量数据集，这些数据集现已整合到开放访问仓库中，为基于机器学习（ML）的2D材料研究提供了支持。
尽管取得了这些进展，但基于DFT的高通量模拟在复杂系统上仍然计算成本高昂且难以扩展[21]。因此，ML已成为第一性原理方法的有效补充（图1b）。支持向量机、随机森林和神经网络等算法可以在预测关键物理化学性质方面达到接近DFT的准确度，同时大幅降低计算成本。更重要的是，ML引入了材料发现的新范式。通过利用实验和理论数据集，ML模型可以揭示隐藏的结构-性质关系，指导合成和工艺优化，并实现传统方法难以实现的反向设计和多目标设计策略[22]、[23]。对于具有丰富成分多样性、结构灵活性和复杂界面化学性质的2D材料来说，这些优势尤为显著。它们的性能不仅受内在性质影响，还受缺陷、相变、堆叠顺序和环境相互作用的影响。缺陷工程是2D能源材料设计中的关键手段，因为空位、反位点以及边缘或应变诱导的状态可以显著改变吸附能量、电荷转移和反应动力学。全面的机理研究表明，缺陷的形成和演变在决定能量转换和存储系统的性能方面起着关键作用[24]。这种高维且强耦合的设计空间难以仅通过传统的实验或计算方法进行探索。在这种情况下，ML为2D材料的合理设计和加速发现提供了新的途径。尽管已有几篇综述文章探讨了ML在2D材料合成、表征和理论中的应用[25]、[26]、[27]、[28]，但大多数文章集中在基础发现、生长机制、异质结构设计或特定应用领域（如传感）上。相比之下，本文提供了能源和环境技术交叉领域的应用驱动和跨学科视角。因此，本文不仅总结了最新进展，还概述了面向可扩展、可解释和可持续的ML驱动的2D材料设计的未来研究方向。
本文详细介绍了ML如何与实验和第一性原理计算相结合，从而重塑了2D材料的发现、筛选和优化整个过程。通过将数据科学与材料化学相结合，ML有助于揭示结构-性质关系，并加速高通量预测。它还实现了传统计算工作流程难以实现的反向设计策略。本文探讨了在能源和环境应用领域（如电化学储能、电催化、热电转换、海水淡化、污染物去除和毒性评估）中由ML驱动的最新进展，特别关注了模型的性能、可解释性和可扩展性，并简要介绍了关键挑战和新兴机遇。重点在于开发一个可靠、基于物理的可持续ML框架，以支持2D材料的合理设计，并促进清洁能源和环境技术的未来创新与发展。
2D材料：起源与最新研究进展
2D材料是由层状晶体构成的固体物质，可以剥离成单层或多层原子层。在此过程中，相邻的薄片通过弱的范德华力结合在一起。这种弱耦合在确保原子尺度稳定性的同时，也允许清洁的异质结构和超晶格重新组合[29]、[30]。由于原子级厚度、可调的电子结构和较大的比表面积，2D材料吸引了越来越多的关注。
机器学习算法和模型
ML是一系列数据驱动的人工智能方法，能够在无需显式编程的情况下识别数据集中的模式并进行预测。在2D材料领域，ML正越来越多地被应用于加速性能预测和材料筛选[57]。
标准的ML工作流程通常包括五个相互关联的阶段，如图3a所示。第一步是定义问题，即明确研究目标。
能源应用
2D材料具有高效的电子、离子和热传递路径。通过结合计算洞察和实验观察，ML可以帮助识别具有能源存储和转换潜力的2D材料（表S3）。
2D材料的安全性和毒理学
2D材料具有良好的生物相容性，可用于药物输送、生物成像、组织工程和免疫控制[135]。但它们不同的边缘形状和表面化学性质需要仔细的安全性评估。欧洲化学品管理局（ECHA）发现了一些2D材料的毒性效应，并指出长期和重复的毒性测试非常重要。某些材料可能对人体造成神经损伤或过敏反应，而当它们进入水中时，还可能伤害鱼类和藻类等生物。
总结与展望
人工智能与材料科学之间的紧密联系使ML成为能源转换和环境保护创新的重要工具。最新进展表明，ML可以帮助设计用于能源存储、电催化、热电、传感、水净化和毒性分析的2D材料。虽然取得了显著进展，但ML在2D材料中的应用仍在发展中，数据质量、模型泛化以及解释方法等方面仍存在问题。
CRediT作者贡献声明
陈邦林：撰写——审稿与编辑、撰写——初稿、可视化、监督、资源管理、方法论、调查、形式分析、数据管理、概念化。赵雷宏：撰写——审稿与编辑、可视化、资源管理、方法论、形式分析、数据管理。李碧生：撰写——审稿与编辑、可视化、资源管理、方法论、形式分析、数据管理。滕佳恒：撰写——审稿与编辑、可视化、
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
致谢
本工作得到了国家自然科学基金（项目编号52400099；52370051）、浙江省“先锋”和“领头雁”研发计划（2026C02A1003）以及浙江省自然科学基金（编号：LQ24E080017）的支持。
