從非常惰性的氮到氨的轉(zhuǎn)化對(duì)于化肥和其他基礎(chǔ)化學(xué)品的工業(yè)生產(chǎn)至關(guān)重要,有必要設(shè)計(jì)和開發(fā)更多的金屬沸石催化劑來(lái)實(shí)現(xiàn)氮還原反應(yīng)(NRR)。然而,各種不同拓?fù)浣Y(jié)構(gòu)和Si/Al比的沸石骨架、多種金屬元素的選擇及不同的反應(yīng)條件導(dǎo)致金屬-沸石空間非常巨大,難以進(jìn)行實(shí)驗(yàn)和理論探索。在此,南京大學(xué)馬晶教授等人基于深度學(xué)習(xí)和可解釋的機(jī)器學(xué)習(xí)(ML)模型,揭示了N2分子可通過(guò)金屬配位和氫鍵(HB)相互作用之間的協(xié)同作用在金屬沸石中活化。為了預(yù)測(cè)金屬沸石中NRR可能的反應(yīng)路徑和障礙,作者建立了一個(gè)由492種金屬沸石結(jié)構(gòu)的電子結(jié)構(gòu)和反應(yīng)能組成的數(shù)據(jù)集,其中包含27種金屬元素(包括3d、4d和5d過(guò)渡金屬及主族Pb和Bi金屬原子)。作者通過(guò)DFT計(jì)算和基于多級(jí)注意力機(jī)制的圖卷積神經(jīng)網(wǎng)絡(luò)(GCNN)模型揭示了中間體的H原子與通道的O原子之間的HB相互作用在促進(jìn)氫化步驟(N2* → NNH*)但不利于NRR的脫氫步驟(NNH3* → N*)中的重要作用,這給出了提示選擇HB接觸的數(shù)量作為預(yù)測(cè)反應(yīng)中間體相對(duì)能量的特征。圖1. 多層次注意力GCNN的三個(gè)預(yù)測(cè)模型此外,為了捕捉金屬原子的顯著效應(yīng),作者將局部酸度(LA)特征定義為嵌入金屬在各種基底(沸石、二維材料等)中的的電負(fù)性、第一電離能和原子半徑的組合,同時(shí)結(jié)合其他幾何/電荷描述符利用可解釋的ML模型(XGBoost)對(duì)反應(yīng)能進(jìn)行了良好的預(yù)測(cè)(R2=0.84)。遠(yuǎn)端、交替和酶促過(guò)程的路徑概率也可從幾何形狀和電荷特征中預(yù)測(cè),并具有令人滿意的性能。結(jié)果表明,具有嵌入Ti、Co和Nb原子的有前途的沸石有利于NRR,其分別具有0.13、0.04 和 0.54 eV的較低能量輸入。對(duì)于實(shí)驗(yàn)合成的光催化Ti交換沸石,ML預(yù)測(cè)的最大能量輸入隨著LA值的降低而降低,這與氨產(chǎn)率從4、3到5 ?孔徑的增加一致。重要的是,該方法還可在LA描述符的幫助下遷移到預(yù)測(cè)含金屬和B摻雜的二維材料。圖2. XGBoost算法預(yù)測(cè)NRR過(guò)程中的通路概率Nitrogen reduction reaction energy and pathways in metal-zeolites: deep learning and explainable machine learning with local acidity and hydrogen bonding features, Journal of Materials Chemistry A 2022. DOI: 10.1039/D2TA03563D