电化学氨氧化制二氮作为能源和环境应用的手段，是实现可持续氮循环的关键技术，最先进的金属催化剂（包括Pt及其含Ir的双金属片）都受着过电位的限制，并且贵金属的价格飙升也使得成本高昂。鉴于此，来自弗吉尼亚理工学院和州立大学化学工程系的Hongliang Xin等人通过基于从头计算数据训练的图形神经网络来探索三元Pt合金纳米结构的巨大设计空间，以同时预测位点反应性、表面稳定性和催化剂合成性能描述符。

文章要点：

1) 该研究证实，在主动学习工作流程中出现的几个不含Ir的候选合金中，Pt₃Ru-M（M:Fe、Co或Ni）合金被成功合成，并通过实验验证其对氨氧化的活性高于Pt、Pt₃Ir和Pt₃Ru；

2) 此外，研究使用位点基序的机器学习表示的特征归因分析提供了对金属表面化学键合的深入见解，并阐明了在结合位点的d带中心度量之外的高性能催化系统的设计策略。

参考资料：

Pillai, H.S., Li, Y., Wang, SH. et al. Interpretable design of Ir-free trimetallic electrocatalysts for ammonia oxidation with graph neural networks. Nat Commun 14, 792 (2023).

DOI: 10.1038/s41467-023-36322-5

https://doi.org/10.1038/s41467-023-36322-5