双原子催化剂（Dual atom catalysts, DACs）在电催化、能源转化等领域具有广阔的应用前景。相较于传统催化剂，双原子催化剂在理论上具有更高的复杂性，因为多样化的吸附位点会导致多种吸附构型的产生，从而产生较大的计算量。此外，理论研究往往关注点在于双原子金属的选取，而低估了不同碳基载体材料对催化性能的影响。然而，如果将各种双原子金属与不同碳基载体材料的排列组合都纳入考虑，虽然能够得到更合理的预测结果，但也会使计算量进一步成倍增加。

基于上述问题，澳大利亚阿德莱德大学李昊博研究员等使用机器学习（ML）技术来加速吸附能计算，从而使快速同时筛选双原子金属和碳基载体材料成为可能。本项工作研究了17种过渡金属负载在具有不同C:N比例的二维碳基g-C₂N和g-C₉N₄基底上组成的双原子电催化剂，对其CO₂还原反应（CO₂RR）性能进行了高通量计算筛选。通过在每种载体材料上选取30种双原子催化剂的DFT计算结果，来训练机器学习模型，用于最优吸附构型的预测，能够快速获取整个918种吸附能的数据集。相较于常规DFT计算方法，速度加快近15倍。研究发现，与传统的CO₂还原催化剂（例如Cu(211)和Cu-C₃N₄）相比，g-C₂N/g-C₉N₄二维载体材料上负载的双原子催化剂表现出更高的催化活性和烃类选择性。电荷密度分析表明，较高的C:N比例增强了双原子活性位点上*CO中间体的吸附强度，并促进了*CHO中间体的形成，从而提高催化活性。由于机器学习模型中采用的特征（feature）包含原子序数、基团数、周期数和电负性等元素特性，该方法有望广泛拓展到其它的金属催化剂和非金属载体材料体系。未来双原子催化剂的设计应同时考虑活性位点的组成元素和载体材料，由此产生的大量计算成本可以通过应用机器学习方法来降低。

相关工作发表在ChemCatChem 上。