氨是全球产量仅次于硫酸的化工原料，主要用于合成肥料，支撑全球粮食供给。然而，氨的生产消耗约 2% 的全球能源并产生约 1.5% 的温室气体。传统的哈柏-博世工艺依赖化石燃料提供热能，氢气也多由化石燃料制备，导致碳排放居高不下。电化学氨合成利用电能驱动氮气还原，理论上可以显著降低排放，但在工业规模上仍缺乏竞争力。
麻省理工学院的研究团队提出了一种基于密度泛函理论（DFT）和机器学习的材料筛选框架，用于预测在电化学氨合成中表现最佳的金属氮化物催化剂。该方法首先确定驱动氮还原活性的关键微观属性，如电子结构、化学键强度和晶体结构，然后在数百万种可能的合金组合中快速评估这些属性，避免了传统的盲目试错。
研究重点聚焦在过渡金属氮化物上，因为氮原子本身已嵌入催化剂晶格，可在反应过程中提供部分能量，降低氮分子键断裂的能垒。尽管如此，氮解离和氢转移仍是反应路径中的瓶颈。通过机器学习模型，团队识别出若干潜在的合金配比，预计能够缓解这些瓶颈并提升选择性。
该工作目前停留在理论层面，下一步计划合成预测的合金并在实验室电化学池中验证其性能。若实验结果与计算一致，未来有望将这种低碳氨合成技术推向商业化，替代能源密集的哈柏-博世工艺。
博主点评：这篇研究展示了计算材料科学与机器学习的强大协同效应，为实现绿色氨生产提供了明确的路线图。虽然离实际应用还有距离，但其系统化的筛选思路值得业界借鉴。