人工智能正为二氧化碳制燃料开辟一条前所未有的化学捷径。据ScienceDaily于2026年10月13日报道，印度科学研究所（IISc）团队利用机器学习与量子力学模拟，在铜催化剂表面识别出9,389个化学反应，大幅提升了对二氧化碳加氢制甲醇过程的预测精度。相关成果同日发表在《自然·通讯》上。
明星家庭二氧化碳制燃料的瓶颈：反应网络“看不见的角落”
将二氧化碳转化为燃料和化学品，最受关注的路线之一是加氢反应。在催化剂表面，二氧化碳与氢气经历成百上千个中间步骤，最终生成甲醇、一氧化碳等产物。由于每一步反应都有不同的能垒，传统研究只能借助量子力学逐项计算，而这需要极其庞大的算力。因此，科研人员往往人为挑选少数“重要”反应构建网络，导致大量潜在关键步骤被忽略。“我们开始时担忧每个做机理建模的人都会遇到的事：你怎么知道你的反应网络没有遗漏真正关键的那一步？”论文第一作者、现就职于莫蒂拉尔·尼赫鲁国家理工学院（MNNIT Allahabad）的Anand Mohan Verma这样对ScienceDaily表示。正是这种担忧，促使团队放弃“少而精”的模拟策略，转而让AI来查找遗漏。
豪门八卦机器学习与量子力学：从152到9,389个反应
为了覆盖尽可能多的反应路径，团队先用量子力学模拟建立了一个包含152个基本反应的数据库，然后用机器学习模型学习这些反应的能垒规律。接下来，他们利用自动化计算工具，系统考察了铜催化剂表面105种化学中间体所有可能的单步转化，最终将反应网络扩展至9,389个。下表对比了两种网络的差异：
豪门恩怨| 指标 | 初始反应网络 | 扩展反应网络 |
|---|
| --- | --- | --- |
|---|
| 反应数量 | 152 | 9,389 |
|---|
| 考虑的中间体 | 有限 | 105种 |
|---|
| 预测主产物 | 甲酸 | 甲醇、一氧化碳 |
|---|
| CO2转化预测 | 严重低估 | 提升约40倍 |
|---|
从152到9,389，增加的不只是数字，更是对催化过程的完整认知。原先被舍弃的大量“次要”反应，实际上在决定产物分布时扮演着不可忽视的角色。扩展后的网络揭示出，许多此前被忽略的中间体转化路径，其能垒远低于预期，这解释了为什么简化模型会给出偏差极大的预测。
豪门婚礼CO2加氢制甲醇：预测效率如何提升40倍？
扩展后的反应网络彻底改变了模型的预测结果。通讯作者、IISc化学工程系副教授Ananth Govind Rajan透露：“当我们只用152个反应建模时，网络错误地预测甲酸是主要产物，而不是甲醇，同时对二氧化碳转化率的估计也远低于实验值。只有把网络扩展到包含数千个此前被忽视的反应后，预测才与实验观察一致。”事实上，扩展后的模型预测的二氧化碳转化量增加了大约40倍，并且正确识别出甲醇和一氧化碳是主要产物。这意味着，过去基于简化模型对CO2加氢制甲醇效率的估算，可能都过于保守；同时也说明，在真实催化剂表面，反应路径的丰富程度远超想象，AI恰恰补上了这一关键拼图。
意外发现：氢分子直接转移，挑战传统催化认知
更大的反应网络还带来了一个反直觉的发现。在许多关键步骤中，氢并非先解离为单个原子再逐一参与反应，而是以完整的H2分子形式直接转移到含氧中间体上。量子力学复核计算确认，这条路径在特定条件下具有明显能量优势。“氢以完整分子形式转移，而不先分裂成原子，这跟我们大多数人学过的机制相悖。”论文共同作者、IISc博士生Shivam Chaturvedi表示，“之所以能发现这一点，正是因为网络足够大，让我们看到了这种可能；当我们回头逐项计算时，结果也证实了它的可行性。这提示我们，与分子氢相互作用更强的催化剂，或许能有效提升甲醇生成路径的效率。”这一发现挑战了催化加氢领域的传统假设，也为设计新型催化剂提供了全新思路——与其单纯追求氢原子的活化，不如考虑如何更好地利用分子氢本身的反应性。
实验验证与更广阔的潜力
研究的实验验证由印度斯坦石油公司绿色研发中心的G. Valavarasu和Santhosh Kotni，以及新加坡科技研究局的Amol Amrute等人完成。机器学习模型还得到了IISc计算机科学与自动化系教授Ambedkar Dukkipati的协助。根据《自然·通讯》发表的论文，多机构协同验证增强了结论的可靠性。团队指出，这套“量子力学模拟+机器学习+自动化反应搜索+速率模型”的框架，不仅适用于二氧化碳加氢，还可推广到其他重要工业催化过程，例如氮还原、水分解，以及使用不同催化剂体系的CO2还原。它能让研究者看见那些被简化模型遮挡的“隐变量”，从而更系统地优化燃料和化学品的生产工艺。
常见问题（FAQ）
Q1: 这项研究离工业应用还有多远？
A1: 目前仍属于基础研究阶段。研究证明了AI扩展反应网络可以显著修正催化模型，但实验室条件与实际工业反应器存在差距。不过，新发现的分子氢直接转移机制，为催化剂设计提供了明确靶点，有望加速中试实验的筛选。
Q2: 为什么传统模型会漏掉这么多反应？
A2: 传统方法依赖量子力学逐点计算能垒，计算成本极高，只能人工挑选取少数反应。而AI能在已有数据基础上快速预测千万种组合的能垒，使大规模自动化搜索成为可能。这正是本次研究发现9,389个反应的关键。
从152到9,389，AI正在改写二氧化碳制燃料的底层认知。这项研究不仅让预测与实验“对齐”，更意外揭示了氢分子转移的新机制。随着这类数据驱动方法普及，更高效、更经济的二氧化碳制燃料催化剂将不再遥远。
