山东大学邓伟侨/于铁Nature子刊：机器学习辅助设计！

甲烷（CH4）裂解成氢气（H2）和碳的过程在制氢领域受到广泛关注。然而，传统的催化方法由于严重的碳沉积而迅速失活。

2024年7月18日，山东大学邓伟侨教授、于铁副研究员在国际顶级期刊Nature Communications发表题为《Machine learning aided design of single-atom alloy catalysts for methane cracking》的研究论文。

在这里，研究发现在450°C下，通过球磨制备的铼/镍单原子合金（Re/Ni）可以实现有效的甲烷裂解。

通过机器学习模型设计的单原子合金催化剂。

为了探索单原子合金催化，研究团队构建了一个包含10950个过渡金属单原子合金表面的数据库，并根据机器学习模型预测的C-H键解离能垒筛选候选材料。

实验验证发现铱/镍（Ir/Ni）和铼/镍（Re/Ni）是表现最佳的。

值得注意的是，非贵金属铼/镍在450°C、1大气压下实现了10.7 gH2 gcat–1 h–1的氢气产率，选择性为99.9%，甲烷转化率为7.75%。

并表明机械能显著提升甲烷转化率，并实现了超过持续240小时的甲烷裂解，显著超过了文献中的其他方法。

CH4裂解催化剂的性能。

总之，本项研究设计了机器学习工作流程来预测 SAA 上的甲烷裂解。该工作流程自动获取 SAA 的属性和表面信息，选择最佳描述符，并执行 ML 分类和预测。利用该方法，从 10950 个过渡金属 SAA 表面筛选出多种潜在的甲烷裂化催化剂。

经过材料合成和活性测试，Ir/Ni和Re/Ni被验证具有优异的甲烷裂解催化活性。此外，与球磨方法相结合，Re/Ni 在从CH4裂解生产纯H2方面实现了240小时的破纪录寿命。

此外，副产物炭可用于锂电池，并表现出比商业炭黑更高的性能。这项工作为在广阔的结构空间内设计特定反应的目标催化剂建立了范例。

文献信息：Sun, J., Tu, R., Xu, Y. et al. Machine learning aided design of single-atom alloy catalysts for methane cracking. Nat Commun 15, 6036 (2024). https://doi.org/10.1038/s41467-024-50417-7