南京大学李朝升SMTD：机器学习应用于过渡金属双原子表面协同高效分解氨

本文研究了机器学习在筛选高效过渡金属双原子催化剂用于氨分解中的应用。背景方面，化石燃料的过度消耗导致环境问题日益严重，氢能源因其高能量密度和零碳排放特性成为理想替代能源，但储存和运输存在挑战。氨作为氢的良好载体，其高效分解催化剂的开发至关重要。研究目的是通过结合机器学习与高通量计算，筛选出高效的过渡金属双原子催化剂，以减少传统密度泛函理论计算的高成本和时间消耗。结论表明，通过随机森林模型预测，RuMo–O–C、ScOs–N–C和OsV–N–C表现出优异的氨分解性能，为氢能源的储存和运输提供了新的解决方案。