北京大学邹如强教授团队：MOF衍生单原子催化剂的理性设计与可控合成

1

文章内容简介

本文探讨了金属有机框架（MOF）及其衍生碳材料在单原子催化剂（SACs）构筑中的应用潜力，聚焦理性设计与可控合成策略。通过对电催化氧还原（ORR）、二氧化碳还原（CO₂RR）等典型能源转化与化学合成反应的优化，展现了MOF衍生单原子催化剂在高活性、高选择性及稳定性方面的卓越性能。

文中重点总结了我们团队在设计与功能化衍生支撑体，以及调控单原子位点局部微环境方面的最新成果，并通过典型的ORR与CO₂RR等实例展示了该类材料所具备的高效催化性能。我们同样讨论了在材料退火、碳化与结构保护等过程中可能遭遇的关键挑战，并给出了解决思路。

最后，我们还重点阐述了机器学习的指导作用。机器学习（ML）已成为SAC设计中的一种变革性工具，尤其是在优化其局部化学环境方面。ML 提供了一个新颖的框架来模拟催化系统中复杂且非线性的关系，利用足够的输入输出数据来获得可操作的见解。机器学习在加速SAC的发现和合理设计方面具有越来越大的潜力，因为它能够系统地探索SAC的局部环境并优化其催化性能。总之，本研究凸显了MOF衍生的SAC作为下一代电催化剂的巨大潜力。通过整合机器学习、合理的设计、创新的合成策略和全面的表征，未来的研究可以为SAC解锁新功能，从而推动可持续能源技术和化学合成应用的进步。继续努力融合机器学习、计算见解、先进的合成方法和严格的实验验证，对于突破SAC性能的界限并在实际场景中充分发挥其潜力至关重要。

2

AMR：请问您选择该领域的初心是？

作者团队：

随着可再生能源与绿色化学的迅速发展，大规模清洁制备化学品、替代传统化石燃料、减少碳排放已经成为全球共识。传统纳米催化剂在催化活性、选择性与稳定性方面仍存在瓶颈：金属颗粒易团聚，活性位点难以精准表征。因此，我们希望从原子层面入手，借助MOF这类具有高度有序孔道和可设计性结构的前驱体，将金属原子孤立并固定在碳骨架上，同时利用多种技术手段来调控微环境，从而实现高效催化。

3

AMR：您对该领域的发展有何愿景？

作者团队：

单原子催化剂无疑是未来多相催化的重要方向之一。它们不仅在各种能源、环境与化学转化中展现出巨大潜力，也为基础研究提供了前所未有的精准模型体系。借助先进的电子显微学表征、同步辐射谱学以及大规模计算模拟，研究者可以在原子级分辨率下追踪活性中心、揭示反应机理。展望未来，我们希望能够：

• 进一步拓展金属种类：探索过渡金属、稀土金属乃至多金属协同的单原子体系；

• 结合多重掺杂与轴向配位设计：通过引入F、S、P等元素，实现对反应路径和中间体吸附能的更精确调控；

• 大规模、低成本制备：发展适合工业化应用需求的制备方案；

• 跨学科整合机器学习：配合高通量实验，提高材料的发现与筛选效率。

相信通过以上方向的持续耕耘，单原子催化将在全球能源与环境的可持续发展中发挥更大作用。

邹如强（通讯作者）：北京大学材料科学与工程学院教授，研究领域为功能多孔能源材料，近年来开展多尺度孔结构材料的复合设计与应用研究，在电化学能源存储与转化、热管理材料与技术研究等方面开展了系统性创新工作。发表SCI论文300余篇，引用37000余次，H因子97。

陈为彬（共同第一作者）：北京大学材料学院博士毕业生（导师：邹如强教授），现为MIT博士后。研究聚焦于催化剂靶向设计与宏量制备，以第一作者（含共同一作）在Nat. Commun.、ACS Catal.、Adv. Mater.、Energy Environ. Sci.、Angew. Chem. Int. Ed.等期刊发表论文15篇。

马冰冰（共同第一作者）：本科毕业于南开大学材料化学专业，现为北京大学材料科学与工程学院一年级在读博士生（导师：邹如强教授）。研究方向是针对单原子催化剂（SACs）的精准设计，并结合机器学习促进催化材料的高通量发现。

4

结语

MOF衍生单原子催化剂是下一代电催化剂及化工催化剂的强力候选。通过理性设计支撑体结构、调整孔道分级以及准确把握单原子周围的微环境，已经获得了可观的活性、选择性和稳定性。未来，该领域将与先进表征技术、理论模拟以及机器学习算法不断融合，从而催生更多具有突破性的功能材料，并最终推动清洁能源与绿色化工的可持续发展。我们期待与更多研究者携手，共同为这一前沿领域注入新的活力和创新思维。

扫码阅读邹如强教授团队的精彩Account文章：