浙江大学曹亮团队ACS Catal:机器学习揭示Cu-Zn合金在CO2→CO电催化中的表面结构-活性关系

本研究背景为电催化CO2还原是实现碳减排的关键路径，其中Cu-Zn合金催化剂因成本低、活性高而备受关注。研究目的是通过机器学习簇展开模型结合蒙特卡罗模拟，系统揭示Cu-Zn(111)表面结构与催化活性的构效关系。研究结论表明：当Zn掺杂量为15%时，CO生成活性达到Cu(111)的28倍；其活性提升源于Zn表面偏析形成的Cu-(3-4)Zn配位环境，能将*CO吸附能精准调控至火山图最优区间；该工作建立了从表面结构预测到活性评估的一体化设计范式，为合金催化剂开发提供了可复制的方法论。