AI破译二氧化碳制燃料隐藏反应路径：颠覆传统氢转移机制

将温室气体二氧化碳（CO₂）资源化转化为甲醇等清洁燃料与工业原料，是实现“碳中和”目标最具前景的技术路线之一。然而，CO₂在催化剂表面的多相催化加氢过程极其错综复杂，涉及微观表面上成百上千种中间体与基元反应。长期以来，受限于量子力学模拟的巨大算力消耗，化学家往往只能依赖直觉筛选少数“关键步骤”来构建简化的微观动力学模型，这极易遗漏真正主导反应进程的化学捷径。

近日，来自印度科学理工学院（IISc）联合新加坡科技研究局（A*STAR）及印度斯坦石油公司绿色研发中心的研究团队，在国际顶级期刊《Nature Communications》上发表了一项突破性成果。研究团队通过融合量子力学计算与人工智能（AI）机器学习算法，构建了一个包含9,389个基元反应的超大规模反应网络，不仅修正了长期存在的产物预测偏差，还发现了一种颠覆传统认知的新型“分子氢直接转移”催化机制。

AI驱动的超大规模反应网络：从152到9389

在反应机理建模中，研究人员常面临一个根本性困扰：如何确保所设定的网络没有遗漏决定反应速率与选择性的核心基元步骤？论文第一作者、原IISc博士后、现莫蒂拉尔·尼赫鲁国家技术学院助理教授Anand Mohan Verma博士指出：“当反应网络不完整时，一切预测都可能偏离实际。”

为此，研究团队首先利用第一性原理量子力学模拟建立了包含152个经典反应的基础数据库，随后训练了先进的机器学习回归模型，用于快速精准预测催化剂表面105种化学中间体相互作用的活化能垒。借助自动化计算与图论筛选工具，系统自主发掘了表面单步反应的所有可能性，将最初仅有152个反应的小网络一举拓展至覆盖9,389个基元反应的庞大网络系统。

模型精度跃升：CO2转化率预测提高40倍

反应尺度的扩展带来了颠覆性的模拟结果。在传统的152步小网络模型中，动力学模拟不仅严重低估了整体CO₂转化速率，甚至错误地将甲酸预测为主要产物，这与实际工业催化实验大相径庭。论文通讯作者、IISc化学工程系副教授Ananth Govind Rajan解释道：“只有当我们将网络扩展至数千个此前被忽略的微观反应后，理论预测才与实验室实测数据达成高度契合。”

动力学模拟显示，新模型预测的CO₂转化率相比原简化模型激增了约40倍，且准确预测出甲醇和一氧化碳为核心产物，与实验测得的宏观产物分布完全吻合。这一修正直接证实，催化剂表面广泛存在传统理论未曾纳入考量的“隐秘化学旁路”，它们在推动反应流向甲醇的过程中扮演着决定性角色。

颠覆传统认知：分子态氢的直接转移通道

更为关键的科学突破在于，该大规模网络揭示了一种反直觉的加氢反应途径。长期以来，多相催化领域的传统教科书理论普遍认为，分子氢（H₂）必须首先在催化剂活性位点上完全解离成独立的单原子氢（H*），才能进一步进攻含碳中间体。然而，高精度的量子力学二次校验表明，在若干关键步骤中，氢可以直接以完整的H₂分子形式转移至含氧中间体上，实现协同加氢。

“氢能够在不发生预解离的情况下以完整分子形态参与转移，这完全超出了传统化学教学的范式，”论文共同作者Shivam Chaturvedi表示，“这种机制只有在计算网络足够庞大、未设人为偏见的条件下才得以浮现。这也提示科研人员，开发那些能与H₂分子发生特异性强相互作用的新型催化剂，有望大幅优化甲醇的合成选择性。”

拓展工业催化设计新蓝图

这项将量子力学模拟、机器学习加速、自动化反应网络生成与微观动力学分析融为一体的通用计算框架，其应用远不止于CO₂加氢。研究人员指出，该方法可快速推广至电催化氮气还原（合成氨）、工业光/电解水制氢以及费托合成等极为复杂的工业多相反应体系，为打破高能耗催化瓶颈、从第一性原理精准理性设计下一代工业催化剂开辟了全新路径。