通過電化學二氧化碳還原反應(CO₂RR)將CO₂轉化為高附加值產物為緩解環(huán)境和能源問題提供了一條有效的方法。然而，具有線性結構的CO₂分子具有很強的分子惰性，需要高能量輸入才能激活/斷開C=O鍵；此外，電化學CO₂RR涉及多個質子-電子對轉移步驟，降低了產物的選擇性。

具有獨特結構和優(yōu)異電子特性的石墨炔(GDY)近年來受到越來越多的關注。GDY中?C≡C?的sp雜化使π/π*垂直指向中心金屬，與金屬原子形成強相互作用，最大限度地阻止它們的聚集。因此，利用GDY作為載體的金屬單原子催化劑(M/GDY)表現(xiàn)出優(yōu)異的CO₂RR活性。

此外，利用Castro-Stephens偶聯(lián)反應合成的多孔石墨炔(HGY)具有特殊的π-共軛結構和非線性sp，鍵使得HGY也成為形成錨定單金屬位點(M/HGY)的潛在載體。

然而，目前基于HGY的單原子催化劑未在實驗中實現(xiàn)，其CO₂RR機理尚不清楚。因此，全面理解GDY和HGY在CO₂RR催化劑設計中的潛在作用對于催化劑的優(yōu)化具有重要意義。

基于此，北京化工大學黃世萍和新加坡國立大學郭翔宇等將一系列過渡金屬原子錨定在GDY和HGY上，并通過密度泛函理論(DFT)計算和機器學習，揭示了GDY和HGY負載的單原子催化劑(SACs)的CO₂RR性能及其催化機理。

具體而言，研究人員共建立了60個SAC模型，其中有25個催化劑表現(xiàn)出較高的CO₂活化能力和CO₂RR選擇性，可以作為高效的CO₂RR催化劑。同時，有8種催化劑表現(xiàn)出比Cu (211)更高的CO₂轉化為甲烷活性。

理論計算結果表明，催化活性的提高來源于反應中間體與金屬之間的相互作用，其中帶有較小極化電荷的中心金屬原子更容易誘導CO₂分子的適度活化，從而產生較高的CO₂RR催化活性。還有就是，通過合理選擇催化劑載體，可以很好地解決催化活性、產物選擇性以及金屬中心的中毒問題。

此外，包括機器學習在內的統(tǒng)計分析能夠確定影響總體性能的關鍵屬性，并建立可預測的框架來篩選大量的SAC組合空間?？偟膩碚f，這些結果有助于全面理解金屬元素和載體在CO₂RR中的作用，為合理構建基于GDY和HGY的SAC以提高CO₂RR性能提供了指導。

Design of Graphdiyne and Holey Graphyne-Based Single Atom Catalysts for CO₂ Reduction With Interpretable Machine Learning. Advanced Functional Materials, 2023. DOI: 10.1002/adfm.202213543