基于密度泛函理论与机器学习的非金属含量优化策略：提升金属掺杂催化剂的析氢反应性能

本文创新性地结合密度泛函理论（DFT）与机器学习（ML）技术，系统研究了过渡金属（TM）与非金属（X）共掺杂石墨烯（g）催化剂的析氢反应（HER）性能。通过构建TM@Xn-g的ΔGH数据库，筛选出8种高活性催化剂，并揭示电负性（En）、共价半径（Rcov-M）和d轨道电子数（Ed）为关键描述符，为高效HER催化剂设计提供了新范式。

　　

Highlight

本研究通过密度泛函理论（DFT）与机器学习（ML）的协同策略，从415种TM@X_n-g催化剂中筛选出20种潜在HER候选材料，最终锁定8种ΔG_H接近铂（Pt）的高效催化剂。卷积神经网络（CNN）以0.93的预测精度成为最佳算法，而随机森林回归（RFR）特征分析指出：电负性（E_n）、过渡金属共价半径（R_cov-M）和d轨道电子数（E_d）是调控催化性能的"黄金三角"描述符。

Computational details

所有自旋极化DFT计算均通过VASP软件完成，采用广义梯度近似（GGA-PBE）处理交换关联势，并使用投影缀加波（PAW）方法描述离子-电子相互作用。布里渊区采样采用Monkhorst-Pack网格，截断能设为520 eV，力收敛标准为0.02 eV/?。

Structures and stabilities of TM@X_n-g

研究构建了13种过渡金属（Co/Cr/Fe等）与7种非金属（B/N/P等）共掺杂的415种TM@X_n-g结构。如图1所示，通过四种不同非金属含量的掺杂位点（TM@X₁-g至TM@X₄-g）验证了催化剂稳定性，其中双空位掺杂结构表现出最优的金属锚定能力。

Conclusion

该工作不仅建立了TM@X_n-g催化剂的DFT-ML协同筛选框架，更揭示了非金属含量对HER活性的梯度调控规律。特别值得注意的是，硒（Se）掺杂体系因其独特的p-d轨道杂化效应，在降低ΔG_H方面展现出显著优势，这为下一代非贵金属催化剂设计提供了分子级见解。