碳基过渡金属（TM）单原子催化剂（SAC）在电化学水分解和H₂生产方面显示出巨大潜力。鉴于二维（2D）材料被广泛用于可持续能源转换和存储应用，针对各种2D材料优化SAC非常重要。

在此，韩国蔚山国立科学技术院（UNIST）Kwang S. Kim, Geunsik Lee等人使用DFT和ML框架相结合的方法，强调了合理设计TM-SAC的新视角。研究表明，在适当的基底（G-C₃N₄、二维π共轭聚合物、吡啶石墨烯和具有单/双空位缺陷的六方氮化硼）中掺杂单型或双型非金属（B，N＆P）可以显著提高其析氢反应（HER）活性和稳定性。为了揭示结构-活性关系，作者构建了各种电子和几何描述符。对于HER活性的预测，作者使用H吸附收敛几何来创建库仑矩阵元素。

除此之外，还采用了确定独立筛选和稀疏算子（SISSO）方法来创建更多的特征空间。基于ML分析，作者发现极端随机树（Extremely randomized trees）算法对E_stab和U_diss的预测分别显示了0.87和0.93的最佳ROC-AUC值，而CatBoost回归模型在预测HER活性方面性能最佳（RMSE=0.18 eV，R²=0.88）。

图1. 用于预测耐用高性能电催化剂的ML分析

此外，通过DFT分析，作者阐明了配位环境和电荷转移行为对HER不同反应机制的活化能值的潜在依赖性。在364种催化剂中，作者发现了20种最有前途的催化剂，它们对HER表现出优异的稳定性和反应活性。

特别是Pd@B₄、Ru@N₂C₂、Pd@B₂C₂、Pt@B₂N₂、Ir@h-BN、Fe@C₃、Rh@C₃和Pd@2DCP和ML推荐的Fe@P₃、Mn@P₄和Fe @P₄表现出超小量级的HER过电位（-0.01~ -0.03 V），远优于商业Pt基催化剂。作者相信，该研究建立的基于DFT 的ML框架应该同样适用于其他2D系统，并促进理论和实验研究以探索理想的HER催化剂。

图2. 电子结构与电化学性质的相关性分析

Machine learning assisted high-throughput screening of transition metal single atom based superb hydrogen evolution electrocatalysts, Journal of Materials Chemistry A 2022. DOI: 10.1039/D1TA09878K