面向直接空气捕获的含胺功能材料设计：集成高通量计算与机器学习

直接空气捕获（DAC）二氧化碳是缓解气候变化的关键技术，但当前材料在效率和可扩展性方面存在局限。我们采用结合机器学习（ML）和高通量原子模型的方法发现新的 DAC 材料。我们的 ML 模型准确预测高质量、密度泛函理论计算得到的 CO$_{2}$ 结合焓值，涵盖广泛的含氮基团。借助该模型，我们快速筛选了超过 160 万 个结合位点，以来自综合数据库中可理论实现的分子，识别出具有优越 CO$_{2}$ 结合性能的材料。此外，我们使用已建立的 ML 指标评估这些结构的可合成性和实验可行性，发现近 2500 种新型材料适合集成到 DAC 设备中。总体而言，我们的高保真数据库和 ML 框架在理性开发可扩展、经济高效的二氧化碳捕获技术方面 represent a significant advancement，为实现全球应对气候变化的关键目标提供了有前景的道路。