甲烷（CH₄）裂解成氫氣（H₂）和碳的過程在制氫領域受到廣泛關注。然而，傳統的催化方法由于嚴重的碳沉積而迅速失活。

2024年7月18日，山東大學鄧偉僑教授、于鐵副研究員在國際頂級期刊Nature Communications發表題為《Machine learning aided design of single-atom alloy catalysts for methane cracking》的研究論文。

在這里，研究發現在450°C下，通過球磨制備的錸/鎳單原子合金（Re/Ni）可以實現有效的甲烷裂解。

通過機器學習模型設計的單原子合金催化劑。

為了探索單原子合金催化（SAAs），研究團隊構建了一個包含10950個過渡金屬單原子合金表面的數據庫，并根據機器學習（ML）模型預測的C-H鍵解離能壘篩選候選材料。

實驗驗證發現銥/鎳（Ir/Ni）和錸/鎳（Re/Ni）是表現最佳的。

值得注意的是，非貴金屬錸/鎳在450°C、1大氣壓下實現了10.7 gH_2?gcat^–1?h^–1的氫氣產率，選擇性為99.9%，甲烷轉化率為7.75%。

并表明機械能顯著提升甲烷轉化率，并實現了超過持續240小時的甲烷裂解，顯著超過了文獻中的其他方法。

CH₄裂解催化劑的性能。

總之，本項研究設計了機器學習工作流程來預測SAA上的甲烷裂解。該工作流程自動獲取SAA的屬性和表面信息，選擇最佳描述符，并執行 ML 分類和預測。利用該方法，從 10950 個過渡金屬 SAA 表面篩選出多種潛在的甲烷裂化催化劑。

經過材料合成和活性測試，Ir/Ni和Re/Ni被驗證具有優異的甲烷裂解催化活性。此外，與球磨方法相結合，Re/Ni 在從CH₄裂解生產純H₂方面實現了240小時的破紀錄壽命。

此外，副產物炭可用于鋰電池，并表現出比商業炭黑更高的性能。本工作為在廣闊的結構空間內設計特定反應的目標催化劑建立了范例。

文獻信息：Sun, J., Tu, R., Xu, Y. et al. Machine learning aided design of single-atom alloy catalysts for methane cracking. Nat Commun 15, 6036 (2024). https://doi.org/10.1038/s41467-024-50417-7