过渡金属与配位环境协同效应在四乙炔基卟啉COFs中电催化氮还原的DFT-机器学习解析

本文通过密度泛函理论(DFT)与可解释机器学习(ML)相结合，系统研究了29种过渡金属(TM)在TM-N4/N3C1-TEP共价有机框架(COFs)中对电催化氮还原反应(eNRR)的影响。研究发现Nb-N3C1-TEP具有优异的催化活性(极限电位仅-0.11V)，并通过SHAP分析揭示了d轨道半径、TM-N键长和TM电荷三个关键特征。该研究为设计高效eNRR电催化剂提供了新思路。

　　

Highlight

通过结合密度泛函理论(DFT)计算与可解释机器学习(ML)，我们深入解析了过渡金属(TM)中心与其配位环境在四乙炔基卟啉(TEP)基共价有机框架(COFs)中对电催化氮还原反应(eNRR)的协同增效机制。

DFT计算

所有自旋极化计算均采用广义梯度近似(GGA)下的PBE泛函，使用DMol³软件包完成。为准确描述长程分散作用，采用Grimme经验方法校正，并选用DNP 4.4基组。

TM-N₄/N₃C₁-TEP构型与DFT筛选

我们将29种不同金属原子掺杂到两种四乙基卟啉中，通过"四步"高通量筛选策略从58种TM-N₄/N₃C₁-TEP基底中筛选出7种合格催化剂，其中Nb-N₃C₁-TEP单层表现出卓越的热力学催化活性(极限电位-0.11V)。

结论

我们通过DFT计算、高通量筛选和机器学习，全面研究了29种过渡金属在TM-N₄/N₃C₁-TEP纳米片上对eNRR的催化活性。研究发现TM中心与配位环境的协同作用可显著提升eNRR电催化性能，为设计高效催化剂提供了新范式。