近日，中南大学本科校友、清华大学深圳研究生院硕士校友、英国帝国理工学院博士生梁才武和目前所在团队，提出一种解释水氧化工作的新机制。
这一机制显著扩展了人们对于铱基材料在水氧化电催化中的理解。
尽管理解催化反应的工作机制，是一项基础研究。但是，这有望指导人们找到新的无铱催化剂或少铱催化剂。
帮助业界更好地选择铱基催化剂，同时为设计更便宜的催化剂提供参考。从而助力质子交换膜电解水制氢技术的大幅规模化，让更多领域都能用上清洁绿色的氢能源。
氢能，不只是氢燃料电池
当前，全球能源系统正在向低碳能源转型。在这其中，氢能扮演着不可或缺的角色。与此同时，中国也在大力发展氢能。
提到氢能，很多人可能会想到氢燃料电池汽车。但是，氢燃料汽车只是整个氢能体系的一小部分。
实际上，氢气是目前全球清洁度最高的能源之一，利用氢气作为化学燃料，可以让许多高排放的生产过程实现低碳化。
例如，氢气能够用于合成氨（即肥料），也能用于合成甲醇从而实现大量工业应用。甚至目前很多炼钢厂都在尝试利用氢气替代煤炭来炼钢。
更重要的是：直接通过电解水就可以制备氢气，即利用持续的电流，驱动水分解成为氢气和氧气。
基于质子交换膜的电解水技术，尽管已经实现工业应用，但仍然受限于氧气生成的速率。
为了满足工业领域对于质子交换膜电解槽的要求，目前只有基于铱的材料才能以足够高的速率，催化水发生氧化反应从而变为氧气。
然而，铱是一种非常稀有的元素，它是将铂金进行提炼之后的副产物，这导致基于质子交换膜的电解水技术很难实现规模化。
因此，许多学者都在研究如何提高水氧化的速率，并探索如何在电解过程中，尽量减少或完全消除铱的使用。
不过，即使到现在仍然没有找到更加可靠、更加廉价的替代品。原因在于：在极酸性条件之下，大多数催化剂会被腐蚀溶解，以至于无法实现长时间的催化。
梁才武和所在团队的想法是：既然尝试这么久，都没找到能和二氧化铱催化剂相媲美的材料，那么是否应该先理解这种材料，看看它的特殊之处在哪里？
以及是否可以根据它的工作机制来研发新型催化剂，从而大大减少铱的用量？
基于此，他们开始从原子层面，来理解二氧化铱催化剂的工作机制、及其具有高活性和高稳定性的原因。
目前，学界对于水氧化的催化机制的理解，主要基于二十年前丹麦科学家利用第一性原理计算所逐步建立的火山图理论模型。
这一理论模型的内涵在于：在反应过程中，反应物中间体与反应物表面的结合，能够控制水氧化的速率。
因此，对于一款理想的催化剂来说，它就得平衡这种结合：即对于反应中间体的结合，既不应该太弱、也不应该太强。
此前，在解释不同催化材料的活性时，多数学者往往基于丹麦科学家的理论计算模型。
然而，由于这些计算基于理想化的、在真空中完美平坦的晶体结构，因此并不能反映催化剂-电解质界面的复杂性。
同时，从实验角度来看，对于测量催化界面的反应物中间体、以及测量反应物中间体和反应物表面的结合能来说，目前依然缺乏相关方法，以至于很难进一步地理解二氧化铱的工作机制。
既优化前辈成果，又获得前辈认可
为此，梁才武等人通过搭建新型可见光吸收光谱仪，针对两种不同结构的二氧化铱反应吸附物种，实现了原位量化。
通过精确地测量催化剂的吸收光谱变化，就能量化那些参与反应的中间体的数量和能量。
这样一来，就能实现光谱电化学测试过程自动化，从而能够收集大量高质量的光谱数据，进而用于描述中间体推动反应的机制。
实验中，该团队发现了一种控制反应速率的新因素，这一因素来自于吸附物种之间的排斥作用。
对于中间体的吸附能、以及对于反应速率，上述排斥作用的大小起着重要作用。
基于此，课题组提出一种解释水氧化工作的新机制，借此优化了此前由丹麦科学家提出的火山图理论模型。
此外，梁才武等人还联系了上述丹麦科学家。经过相关和计算，他们共同确认了本次新模型的真实性和有效性。
日前，相关论文以《研究活性站点密度和能量学对水氧化物氧化活性的影响》（Unravelling the effects of active site density and energetics on the water oxidation activity of iridium oxides）为题发在 Nature Catalysis[1]。
梁才武是第一作者，英国帝国理工学院的雷希玛·拉奥（Reshma R. Rao）教授、詹姆斯·达兰特（James R. Durrant）教授、伊凡·斯蒂芬斯（Ifan E. L. Stephens）教授，以及丹麦哥本哈根大学教授扬·罗斯梅斯尔（Jan Rossmeisl，即火山图理论模型提出者）担任共同通讯作者。
从零开始自学编程，正在研究“AI+ 光谱学”
而在研究中，为了顺利完成本次课题，作为一名化学研究者，梁才武也曾从零开始自学编程。
读博期间，梁才武的两位合作导师斯蒂芬斯和达兰特，分别是电化学领域和光谱学领域的著名学者。
因此，读博伊始梁才武就希望利用光谱手段，来研究电化学界面反应，因为这是许多能量转化和存储过程的核心。
与此同时，复杂的电催化水氧化界面，也是梁才武最感兴趣的方向之一。
研究初期，他先得收集足够高质量的光谱吸收变化数据。然而，该团队之前主要研究光催化过程，关于电催化的光谱研究经验较少。
幸运的是，在梁才武进入的几个月前，组里一位名为本杰明·莫斯（Benjamin Moss）博士，带领组员们搭建了一个自动化光谱系统。
进组之后，梁才武成为第一个利用上述系统开展研究的人。在使用时，他发现只需要针对原有系统进行微小改进，就能满足光谱电化学的研究需求。
于是大约在半年内，他就获得了大量的高质量光谱数据。
如何分析这些光谱数据，则是接下来的难题。相比 X 射线光电子能谱、拉曼光谱和红外光谱等数据库，可见光光谱的分析更加复杂。
这是因为许多吸收物种的光谱，会在可见光区间之内叠加在一起，从而形成一些峰。这些峰不仅非常宽，而且没有特定形状，很难进行区分和定量化。
为了分析这些光谱，从 Matlab、到 Python、再到 Julia 语言，梁才武学习了多种编程语言。
并尝试了奇异值分解、主成分分析、独立成分分析、基因遗传算法等分析方法，甚至一度打算使用非监督的神经网络机器学习。
后来，他发现只需利用遵循物理化学规律的线性叠加假设和全局优化算法，就能得到很好的分析结果。
解析光谱数据之后，对于二氧化铱在工作状态之下的吸附物种，他和所在团队有了更多理解。
其还发现：在催化剂吸附的中间体之间，存在较强的相互作用。
而对于整个反应速率，这种作用可能有着关键影响。同时，这也是此前的催化机制描述模型，所没有考虑到的因素。通过模拟计算，梁才武证实了上述推测。
尽管本次研究揭示了影响铱基催化剂性能的因素，但是梁才武表示：“下一步可能会更加令人兴奋。”
通过利用本次方法，他和所在团队打算针对更多材料，来绘制涵盖范围更广的催化性能控制因素图谱，借此研发铱含量超低或完全不含铱的新型催化剂。
要想实现上述目标，就得研究本次方法在催化、能量存储、转化方面的应用。
因此，梁才武也将在更多的催化材料上，去验证本次提出的模型，以便为催化剂的设计带来更多指导。
另据悉，梁才武正在与专攻机器学习和强化学习的牛津大学博士熊铮合作，旨在利用机器学习和神经网络来加速光谱分析的过程。
预计这一成果的应用范围，将不仅限于可见光光谱领域，也将涵盖其他各类光谱表征系统。
其希望借此建立一种更广泛、更适用的复杂光谱分析手段，让 AI 在光谱分析中发挥更大的作用。
参考资料：
1.Liang, C., Rao, R.R., Svane, K.L.et al. Unravelling the effects of active site density and energetics on the water oxidation activity of iridium oxides. Nat Catal (2024). https://doi.org/10.1038/s41929-024-01168-7
运营/排版：何晨龙
