将光催化与人工智能相结合，利用合成 g-C3N4/TNTAs 光催化剂最大化 CO2 还原产生 CH4 和 CO

将气候问题转变为燃料解决方案

二氧化碳是推动气候变化的主要温室气体，通常被视为废弃物。但如果我们能仅凭阳光和智能材料把它转化为有用燃料，会怎样？本研究探索了一种有前景的方法，通过将先进的光活性材料与人工智能结合，把空气中的二氧化碳转换为两种有价值的气体——甲烷和一氧化碳。其结果类似于一种数据驱动的太阳能炼厂，可能有助于同时应对能源需求和碳污染问题。

阳光、特殊表面与废碳

这项工作的核心是一种称为光催化的过程：固体材料吸收光并利用该能量驱动化学反应。研究人员构建了一种精心设计的表面，由微小且垂直排列的二氧化钛纳米管组成，这是一种稳定且广泛使用的材料，并在其上覆以薄层的碳基固体 g‑C3N4。两者结合形成紧密耦合的结构，能覆盖更多太阳光谱并保持光激发电荷足够长的时间，使其与二氧化碳和水蒸气发生反应。在气相反应器中，二氧化碳和水蒸气在该照亮的表面上流动，系统产生甲烷（一种潜在燃料）和一氧化碳（许多工业过程的重要构件）。

为何表面设计至关重要

显微镜图像显示，二氧化钛形成了长而有序的纳米管，具有大的内部面积，为反应分子提供了众多着陆位点。当加入 g‑C3N4 片层时，它们覆盖并延伸进入这些管道而不破坏其形状，有效地创建了额外的结点，利于光生电荷的分离。光学测量表明，这种混合材料比裸二氧化钛对可见光的吸收更好，其略小的能隙意味着能更有效利用阳光。光发射测试进一步表明，所添加的碳氮化物抑制了不希望发生的电荷复合，这是一种常见的能量损失途径，通常会浪费大量入射光能。

让数据告诉反应器何者最有效

即便有良好的光催化剂，性能仍强烈依赖于系统的运行方式：暴露的催化面积有多大、二氧化碳的浓度如何、施加多少压力和光照以及反应器照明持续多长时间。团队没有通过逐项反复试验来调整这些参数，而是生成了两个大型且受控的数据集，每个数据集包含一千多条在不同条件下测得的甲烷和一氧化碳产量实验记录。随后他们训练了十种基于树的机器学习模型，学习运行条件与燃料产量之间的隐含模式，使用部分数据用于训练，剩余数据用于测试。其中一种名为 CatBoost 的模型始终给出最准确的预测，对两种气体的产量解释力均超过 98%，误差极低。

算法揭示了反应的哪些要点

由于基于树的模型可以被探查其决策逻辑，研究人员能够看到哪些调节项最重要。对于甲烷，照射时间——即暴露在光下的时长——是提升产量的最重要因素，其次是二氧化碳的存在量和暴露的催化剂表面积。对于一氧化碳，重要性顺序发生了翻转：可用的催化面积最为关键，其次是照射时间，而二氧化碳浓度仅起次要作用。更复杂的分析工具显示，延长光照时间和增大表面积几乎总是推动系统朝更高产率发展，而过高的二氧化碳水平反而可能减缓反应，可能是由于阻塞接触或限制光穿透。通过在 CatBoost 模型之上运行一种进化优化算法，团队识别出了应最大化各产品的运行点，并在实验室中验证了预测值与测得值几乎重合。

从智能反应器走向更聪明的能源系统

简而言之，这项研究表明可以教会一个太阳驱动的化学反应器如何更高效地运行。定制的 g‑C3N4/TiO2 纳米管表面已提升了二氧化碳向甲烷和一氧化碳的转化，但将其与强大的学习算法结合，允许系统在无需无尽试验的情况下收敛到接近最优的条件。这项工作为利用人工智能指导未来光催化装置的设计与运行提供了蓝图，有可能借助阳光与数据驱动的洞察，将废碳转化为有用的燃料和化学品。

引用: Hossen, M.A., Prima, M., Aziz, A.A. et al. Bridging photocatalysis and artificial intelligence to maximize CH₄ and CO production from CO₂ reduction using synthesized g-C₃N₄/TNTAs photocatalysts. Sci Rep 16, 13003 (2026). https://doi.org/10.1038/s41598-026-36838-y

关键词: 光催化 CO2 转化, 太阳燃料, 催化中的机器学习, TiO2 纳米管光催化剂, 甲烷和一氧化碳生成