东京科学研究所研究人员在《美国化学会杂志》发表研究称，团队采用材料信息学方法中的机器学习原子间势（MLIP）计算，对新近报道的光催化锡氧化物正交晶系三锡四氧化物（o-Sn3O4）进行掺杂剂筛选，并通过实验验证了计算预测结果。
研究团队指出，构建可持续的氢能体系需要清洁且高效的制氢路径。光催化利用光催化剂在阳光照射下将水分解为氢气和氧气，被视为具有吸引力的方案之一。在已研究的多种材料中，锡氧化物因低毒性、稳定性和成本优势受到关注。研究人员在2023年报道了新的锡氧化物多晶型o-Sn3O4，并将其视为太阳能驱动能源应用的潜在候选材料。
不过，研究称，提升o-Sn3O4的光催化性能仍具挑战。掺杂通常通过向晶格引入外来离子以调控材料性质，但对于o-Sn3O4这类新材料，掺杂剂选择往往依赖试错。由于逐一实验测试候选元素耗时且资源密集，团队希望通过计算手段为掺杂剂选择提供更明确的方向。
该研究由宫内正宏教授带领。团队使用MLIP计算评估掺杂晶体结构的热力学稳定性，并模拟不同离子引入o-Sn3O4晶格后的行为，以预测哪些掺杂剂能够稳定掺入。宫内表示，筛选得到多个稳定候选者，包括Al3+、B3+、Sr2+和Y3+。
在计算结果指导下，研究人员采用水热法制备掺杂样品。实验显示，被预测为稳定的离子能够形成正交相，而其他离子则会导致不同的晶体结构。
在测试样品中，铝掺杂o-Sn3O4表现最为突出：在可见光条件下，其产氢量为未掺杂材料的16倍。为进一步分析铝掺杂的作用，团队还制备了不同掺杂浓度的薄膜样品。结果显示，5%的铝掺杂对应最佳性能，研究将其归因于晶体质量改善、颗粒形貌优化以及光生载流子分离效率增强。
研究团队表示，该工作展示了MLIP计算在功能材料筛选与发现中的应用价值，并提出通过计算筛选缩小候选范围、将实验验证聚焦于关键样品，有助于加快面向清洁能源应用的材料研发进程。
