10月12日消息，arXiv新增预印本（2610.13795，10月9日提交）报道了掺杂氧化锆CO2加氢催化剂的高效计算筛选新方法。该研究由丹麦技术大学（DTU）的Karsten Walz Jensen、Mie Andersen与Raffaele Cheula完成。

掺杂是调控氧化锆基CO2加氢催化剂活性的核心手段，其作用机理在于改变吸附物与过渡态（TS）能量；但当需要同时筛选多种掺杂元素、多个反应中间体与过渡态时，密度泛函理论（DFT）计算成本急剧攀升。研究团队进一步发展了基于图的机器学习方法WWL-GPR（Wasserstein-Weisfeiler-Lehman高斯过程回归），针对氧化物表面引入额外的电子结构与局域环境特征，用所得模型预测吸附能与过渡态能量，替代逐点DFT计算。

该方法使掺杂催化剂组合空间的大规模预筛选成为可能——先用机器学习模型锁定有前景的掺杂构型，再对少数候选执行精确DFT验证，将计算资源集中于高价值体系。对CO2加氢这一热催化脱碳关键反应而言，催化剂开发周期与成本的压缩具有直接产业意义，该方法框架亦可推广至其他氧化物催化体系的多掺杂筛选场景。 （来源：arXiv cond-mat.mtrl-sci）