近日，我所能源催化转化全国重点实验室计算和数据驱动催化研究组（511组）肖建平研究员团队，在电化学合成氨催化剂动态结构演变方面取得新进展。团队利用机器学习势（MLP）驱动的巨正则系综蒙特卡洛（GCMC）模拟，揭示了电化学一氧化氮还原反应（eNORR）过程中催化剂活性位点"自单原子化"的动态演化机制，为理解实际工况下催化活性位点的真实结构提供了新视角。
电化学一氧化氮还原反应是合成绿色氨的技术路线之一。肖建平团队在前期工作中提出了电催化合成氨的新路线，同时发现铜（Cu）（Angew. Chem. Int. Ed.，2020）和铜锡（Cu-Sn）合金（Nat. Energy，2023）可实现高效合成氨；并在eNORR产物选择性方面进行了多维度的研究（J. Phys. Chem. Lett.，2021；Nat. Commun.，2023；Natl. Sci. Rev.，2024；J. Am. Chem. Soc.，2024；J. Am. Chem. Soc.，2025）。
实验表明，铁催化剂对电化学合成氨具有较好的活性和选择性。本工作发现，铁的电化学性能并非源于其本征活性，而是源于其在工况条件下自发单原子化的自适应能力。团队采用机器学习势驱动的巨正则蒙特卡洛模拟，系统探索了约250万种可能的活性结构，模拟了它们随电极电位升高而发生结构演化的过程。微观动力学模拟表明，反应过程中铁（Fe）表面将被吸附态的氮（N*）物种覆盖，进而通过自发单原子化形成FeNx活性构型。统计分析表明，孤立的FeNx构型中的Fe顶位比桥位和空位具有更高的氨合成活性。基于这些自发单原子化的活性位点，团队重现并解释了不同产物法拉第效率随电极电位变化的实验规律，验证了活性位点模型的可靠性。该工作揭示了催化剂在反应条件下的结构自适应行为，为设计适用于更多反应体系的活性位点提供了参考。
相关研究成果以“Self-single-atomization of active sites in electrochemical ammonia synthesis unveiled by machine learning potential”为题，于近日发表在《国家科学评论》（National Science Review）上。该工作的第一作者是我所511组龙军副研究员，上述工作得到国家重点研发计划、国家自然科学基金等项目的资助。（文/图 龙军、董雪）
