综述：代表性非铜催化剂的设计综述以及机器学习在二氧化碳电还原中的多尺度应用

《Journal of Environmental Chemical Engineering》：A Review of the Design of Representative Non-Copper Catalysts and the Multiscale Applications of Machine Learning in CO? Electroreduction

非铜催化剂在CO?电还原中具有高选择性、低成本优势，机器学习加速催化剂筛选与机理分析，提出多尺度模拟框架以推动理性设计。

　　

王家伟|孙瑞宇|张倩|吕永利|王莉

西安交通大学能源与动力工程学院，固体废物回收与资源化利用国家重点实验室，中国西安710049

摘要

随着全球减少温室气体排放的压力不断增加，电化学二氧化碳还原反应（CO₂RR）因其能够将CO₂转化为高价值化学品而受到了广泛关注。尽管基于铜的催化剂在多碳产物生成方面表现出色，但由于非铜催化剂具有更高的产物选择性、更低的成本以及可控的C?产物生成路径，它们已成为研究的热点。

然而，非铜催化剂的合理设计面临独特的挑战，包括活性位点构型的不确定性、复杂的结构-性能关系以及中间体吸附行为的复杂调控。同时，机器学习（ML）技术，包括高通量计算、特征工程和主动学习，为这些难题提供了强大的解决方案。具体而言，基于ML的高通量筛选和动力学建模加速了高性能非铜催化剂的发现，并揭示了其内在反应机制。本文系统总结了近年来代表性非铜催化剂在CO₂RR设计方面的进展，以及ML技术在该领域应对独特挑战的应用。进一步讨论了与ML辅助设计非铜催化剂相关的挑战和机遇，旨在为非铜CO₂电还原催化剂的合理设计及ML驱动的多尺度研究提供全面的参考和理论框架。

引言

CO₂电还原反应（CO₂RR）是将废弃CO₂转化为高附加值化学品和燃料的关键技术，在全球碳中和战略中发挥着不可或缺的作用。尽管基于铜的催化剂由于其独特的C–C偶联能力而在CO₂RR研究中占据主导地位，但它们固有的缺点（如产物选择性差、催化性能不稳定以及难以精确调控反应过程）使得开发高效且高选择性的替代催化剂变得迫切和关键[1]。在这种背景下，非铜催化剂的合理设计成为推动CO₂RR向实际应用迈进的核心研究方向之一。

CO₂RR涉及复杂的多电子转移和产物竞争过程，面临高过电势、严重的氢气析出副反应以及产物选择性控制性差等常见问题。如何降低反应能量障碍的同时实现目标产物的高效合成仍是该领域长期存在的核心科学挑战[2]。

虽然基于铜的催化剂能够生成C??产物，但它们通常具有宽产物分布和较差的选择性控制能力，这严重限制了其工业应用[3]。相比之下，非铜催化剂（包括p区金属、过渡金属、单原子催化剂、MOF衍生材料、双金属合金等）具有明显的优势，如产物分布窄、选择性高、稳定性好以及原材料储备丰富。它们能够以高选择性生成C?产物（如CO和甲酸盐），某些系统甚至能够突破传统认知，实现C–C偶联和多碳产物的生成，为CO₂RR提供了重要的替代方案[4]、[5]、[6]。

目前，非铜催化剂的活性位点性质、反应路径及结构-性能关系仍需系统阐明，相关综合综述也十分匮乏。与此同时，机器学习为催化剂的多尺度设计和性能预测提供了全新的研究范式。基于数据模型，它可以快速实现催化剂筛选、机制分析和跨尺度模拟，有效弥补传统研究方法的低效率和长周期问题，为非铜CO₂RR催化剂的合理开发提供有力支持[7]。例如，钟等人[8]开发了一种主动学习框架，通过迭代优化DFT计算和实验数据，在不到一年的时间内成功筛选出性能超过铜的Cu-Al合金催化剂。类似地，陈等人[9]结合ML和多尺度模拟，对超过10,000种基于Au的合金纳米结构的表面位点进行了高通量活性预测，最终确定了提高CO选择性的最佳结构。

基于上述研究背景，本文系统总结了代表性非铜催化剂在CO₂RR设计方面的策略以及机器学习在该领域的应用进展。首先概述了代表性非铜催化剂的主要类型、结构特征和优异性能；然后分析了影响催化行为的结构和电子描述符，并解释了相应的结构-性能关系；接着详细阐述了机器学习在非铜催化剂研究中的应用；最后总结了主要挑战和未来发展趋势。依靠近年来高质量的研究成果，本文旨在为非铜CO₂RR催化剂的合理设计和智能研究提供坚实的参考和系统理论框架。

章节片段

非铜催化剂在CO₂RR中的最新进展

CO₂电还原（CO₂RR）是实现碳中和的关键途径，近年来引起了广泛关注。虽然基于铜的催化剂能够生成多碳（C??）产物，但它们仍存在产物分布宽和选择性有限的问题。相比之下，非铜催化剂因其更高的产物选择性、低成本和丰富的地球资源以及改进的结构稳定性而成为研究焦点。

目前，非铜催化剂主要包括

非铜电催化剂的性能相关描述符

非铜CO₂RR催化剂的性能取决于其多层次的材料结构和潜在的反应机制，这需要使用多个长度尺度的特征进行描述。关键描述符包括材料的组成和结构（从原子配位到形态尺度）、表面电子结构和吸附能、反应中间体的结合强度和转化能障碍，以及操作条件

机器学习在非铜基CO₂还原反应（CO₂RR）催化剂中的应用

凭借其在模式识别和预测方面的强大能力，机器学习（ML）逐渐成为催化研究中的重要工具。对于非铜基CO₂RR催化剂，ML可以加速材料筛选、深化机理理解并指导实验优化。特别是，从原子级别到反应器级别的多尺度模型的整合可以全面提升研发效率。

结论与展望

近年来，非铜催化剂在CO₂的电化学还原（CO₂RR）方面取得了显著进展，从高选择性的单碳产物到多碳产物的生成都取得了突破，显示出巨大的应用潜力。与此同时，机器学习（ML）作为强大的工具，对催化剂设计和反应工程产生了深远影响。本文总结了主要类型的非铜催化剂及其结构-性能关系

CRediT作者贡献声明

张倩：撰写 – 审稿与编辑。吕永利：撰写 – 审稿与编辑。孙瑞宇：撰写 – 审稿与编辑、概念构思。王家伟：撰写 – 审稿与编辑、原始草稿撰写、数据整理、概念构思。王莉：撰写 – 审稿与编辑、监督、概念构思。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

致谢

本研究得到了中国国家自然科学基金（项目编号51908457）、陕西省自然科学基金（2025JC-YBMS-445）以及中国教育部中央高校基本科研业务费（xzy012025016）的支持。作者感谢西安交通大学的刘佳梅和潘朝阳在XPS和SEM分析仪器使用方面的协助。