9月12日消息，arXiv 9月10日提交的预印本（编号2609.11602，physics.chem-ph）由剑桥大学Samuel G. H. Brookes、Fabian Berger、Kara D. Fong、Angelos Michaelides和Christoph Schran等完成，用最先进的机器学习原子间势（MLIP）研究了缺陷石墨烯-水界面上的水分解反应，揭示了溶剂化效应对表面反应机制的定性改变。

固体表面的水分解是腐蚀、催化、电化学与光伏等过程的基础，缺陷位点是水分解常见的反应中心，但溶剂化如何影响缺陷处的水分解此前认识不足。研究团队聚焦石墨烯单空位（SV）缺陷：在气相（孤立水分子）条件下，SV分解水只经历一条协同反应通道；而在溶剂化条件下，模拟显示SV通过两条相互竞争的路径分解水——一条「碱性路径」生成SV-H与水合氢氧根OH⁻(aq)，一条「酸性路径」生成SV-OH与水合氢离子H₃O⁺(aq)。

这两条路径的能垒均低于气相机制，且产生截然不同的化学吸附中间体，增强了石墨烯-水的吸附。这意味着即便是一个简单的碳空位，也会引发出乎意料丰富的界面化学：表面化学反应与界面电荷、润湿性相互耦合，对碳材料功能化和纳米流体传输具有直接意义——例如碳基电极表面的电化学行为、氧化石墨烯膜等纳米流体器件中的质子/离子输运，都需要考虑这类溶剂化诱导的反应路径多元化。

方法学上，该工作再次展示了机器学习势在跨尺度界面化学模拟中的能力：以第一性原理精度捕捉溶剂化环境下缺陷位点的反应路径统计，这是传统DFT分子动力学难以企及的时空尺度。论文于9月10日14:23 UTC提交至arXiv（v1），投稿分类为physics.chem-ph。 （来源：arXiv）