（编者按：氨NH₃是一种理想“氢载体”，但传统分解方法需要高温和昂贵金属。该项研究，利用“等离子体”（带电气体）在较低温度激活氨分子，再借助人工智能快速筛选出便宜且高效的合金催化剂，如铁铜、镍钼等。实验证明，这些新材料不仅大幅提升氢气产率，还将制氢成本控制在每公斤1美元以下，同时减少碳排放。这项技术有望用于船舶、偏远地区等场景，实现“即产即用”的绿色氢能供应，推动能源转型）
低温等离子体分解低碳氨是一种很有前景的原位制氢方法，但寻找最佳催化剂是极具有挑战。
近日，马萨诸塞大学洛厄尔分校车芳琳团队联合大连理工大学易颜辉团队在Nature Chemical Engineering上发文，利用多尺度模拟，将催化活性与氮吸附能nitrogen adsorption energy (EN) 联系起来，并确定了常规加热和非热等离子体的最佳催化剂：分别为Ru和Co。
在等离子体催化的理想EN为-0.51eV情况下，利用机器学习筛选了3,300多种催化剂，并设计了高效、富含稀土的合金，如Fe₃Cu、Ni₃Mo、Ni₇Cu、Fe₁₅Ni。在400°C时，等离子体催化实验进一步验证了上述合金比单个金属具有更高的转化率，并且也具有与贵金属钴Co相当的催化性能。
技术经济分析表明，可实现低于1美元/公斤氢气的生产成本，碳足迹仅为-0.91 kg CO₂/kg H₂，这为实现绿色氢能经济提供了可行路径。
第一作者：Saleh Ahmat Ibrahim, Shengyan Meng.
通讯作者：易颜辉Yanhui Yi & 车芳琳Fanglin Che
通讯单位：马萨诸塞大学洛厄尔分校，大连理工大学
Interpretable machine learning-guided plasma catalysis for hydrogen production. 可解释机器学习引导的等离子体催化制氢。
图1:平坦催化剂表面上，NH3分解的活化能和反应能之间BEP关系。
图2:仅在热加热条件下，通过各种催化剂的NH3分解的多尺度模拟。
图3:MKM导致等离子体催化氨分解。
图4:用于预测双金属表面上，可解释机器学习模型。
图5:仅在加热和NTP条件下，NH3分解的实验验证。
图6:在热和NTP条件下，NH3分解的比较TEA和碳足迹分析。
车芳琳，马萨诸塞大学洛厄尔分校教授。本科毕业于大连理工大学（2008-2012），博士毕业于华盛顿州立大学（2012-2016）。分别在加拿大多伦多Sargent课题组（2017-2018）和美国特拉华大学Vlachos课题组（2018-2019）从事博士后研究。
车芳琳课题组，主要研究机器辅助计算催化以及材料科学方面的多尺度理论模拟，在多尺度范围内（从原子到反应器尺度）研究新型能源的催化剂性质，反应机理，动力学等。研究的相关课题有：电催化， 等离子催化，及电场催化，resonance catalysis, 热催化的微观动力学模拟，以及多相催化反应器中的流体动力学模拟。
课题组主页：http://sites.uml.edu/fanglin_che/
Ahmat Ibrahim, S., Meng, S., Milhans, C. et al. Interpretable machine learning-guided plasma catalysis for hydrogen production. Nat Chem Eng (2025). https://doi.org/10.1038/s44286-025-00287-7声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
