海南大学邓意达教授团队立异交融机器学习与密度泛函理论，成功挑选出高效光催化二氧化碳复原双原子催化剂，为破解传统试错法功率低下的职业难题供给了全新技能途径。近来，该研讨效果在世界期刊《先进动力资料》宣布。

  当时，全球动力需求继续激增推进二氧化碳排放量攀升，将二氧化碳转化为可再生燃料，成为下降传统化石动力依靠的要害方向。其间，光催化二氧化碳复原技能因绿色环保特性，被视作该范畴的中心破局手法。但是，该技能的中心载体——原始石墨相氮化碳，存在活性位点稀缺、二氧化碳吸附才能有限的缺点，导致催化功能受限；一起，过渡金属组合品种十分之多，传统试错法研制周期长、本钱高，严峻限制双原子催化剂的研制进程。因而，开发快速高效的挑选办法，处理双原子催化系统难题、完成二氧化碳高效复原转化，已成为当时科研范畴的要点方向。

  为打破这一研制窘境，邓意达团队将研讨聚集于石墨相氮化碳负载双原子催化剂，构建了系统性挑选计划：首要经过密度泛函理论，精准核算中间体在双原子催化剂外表的吸附能，构成高质量数据集；随后使用该数据集对机器学习模型进行练习与测验，经过多类机器学习算法比照，挑选出功能最优的模型及要害特征参数；终究将一切双原子催化剂的特征参数输入最优模型，一起结合大规模密度泛函理论研讨，对潜力候选催化剂做验证，终究成功挑选出一系列可高效光催化二氧化碳制一氧化碳、甲酸的双原子催化资料，为后续试验组成环节大幅度缩短了研制周期。

  邓意达表明，该研讨立异性构建了“双原子协同—机器学习—高通量挑选”三位一体的催化剂规划范式，明晰提醒了双原子根底特征与猜测极限电位之间的微观效果机制。这一效果不只将AI加快资料发现的理念成功拓宽至光催化二氧化碳复原范畴，更为后续催化剂的试验组成与功能优化供给了坚实的理论支撑和清晰的研制方向。