近日，深圳大学谢和平院士与其博士生翟朔分别为通讯和第一作者，香港理工大学倪萌教授、南京工业大学邵宗平教授为共同通讯作者在Nature Energy（IF：67.439）以深圳大学为第一单位发表了题为” A combined ionic Lewis acid descriptor and machine-learning approach to prediction of efficient oxygen reduction electrodes for ceramic fuel cells” 的研究成果。该研究将机器学习、理论计算与陶瓷固体氧化物开发相结合，开发了一个经过实验验证的阴极材料机器学习筛选技术，实现了固体氧化物燃料电池筛选高活性阴极材料的重大突破。

高活性钙钛矿阴极材料结构及电化学性能（深圳大学供图）

钙钛矿阴极材料本征活性与路易斯酸性强度以及离子半径函数相关性的三维可视化示意图（深圳大学供图）

据悉，当前，现代化的燃煤电厂受到卡诺循环的限制，单位发电量的煤炭消耗量居高不下，同时难以破解煤炭发电固有的CO2大量排放的技术瓶颈，无法真正实现煤炭的清洁低碳利用。谢和平院士团队率先提出并正在攻关“近零碳排放直接煤燃料电池（DCFC）发电技术”(CN114284533A)。该技术可打破卡诺循环的限制，不通过燃烧,而是将改性煤炭的化学能通过电化学氧化过程直接转换为电能，同时在系统内原位实现CO2二次能源化利用。其中DCFC是基于固体氧化物燃料电池，其阴极提供了碳氧化反应所需的氧离子，材料的本征活性对氧还原反应的动力学反应速率有着决定性作用。然而，传统的材料设计、表征和测试依赖低效的试错过程，往往需要漫长的研究周期。

基于上述研究思考，该研究创新将机器学习、理论计算与固体氧化物燃料电池阴极材料设计相结合，实现了快速、有效地从庞大的钙钛矿组分中筛选高活性阴极材料。该研究阐明了钙钛矿氧化物路易斯酸性调控策略提升本征活性的机理，揭示了路易斯酸性在A位和B位离子的极化分布引起电子对的偏移，进而降低氧空位的生成能和迁移能垒的机制。该成果为团队正在攻关的“近零碳排放直接煤燃料电池发电技术”提供了理论依据与技术支持。