碳纳米管限域催化旨在纳米尺度上利用碳纳米管的独特结构特性来影响和优化催化过程。碳纳米管的管状结构提供了一个定义明确的纳米空间用于限制其内部的纳米颗粒，从而调控催化活性和选择性。许多实验研究表明限域效应可以提升催化反应活性，然而也有部分实验却获得相反的结果。因此，从原子层面解码碳纳米管限域催化，探索其活性起源，有助于我们理解反应物分子在管内的吸附、活化等行为并研究其电子结构和化学性质，从而在未来进一步合理的设计碳纳米管限域催化剂。

近日，来自中国科学院大连化学物理研究所的肖建平研究员团队通过机器学习势函数结合巨正则系综蒙特卡洛模拟从统计上指出限域弱化了管内分子的吸附。利用随机森林模型，团队发现管内团簇键长的缩短是导致吸附能变弱的主导因素。利用键长作为简化描述符，微观动力学模拟的结果获得了和实验上一致的趋势。

作者通过构建DFT数据集，成功训练了可用于描述碳纳米管限域体系的机器学习势函数，在此基础上结合巨正则系综蒙特卡洛，实现了对于具有不同团簇构型体系的模拟。通过统计模拟结果并计算吸附能分布，发现管内分子的吸附能始终弱于管外分子的吸附能，且在纳米尺度上的模拟也是相同趋势。

通过将结构转化为可描述的物理特征，作者构建了结构特征与吸附能的数据集。利用随机森林模型，评估了各个结构特征对于吸附能的重要性，发现团簇的键长是主导吸附能的关键因素。管内团簇键长的缩短导致了d带中心的下移从而使得内部分子吸附能变弱。利用键长作为描述符，作者研究了Fe和Ru上合成气转化到甲烷的相关反应。微动力学模拟结果揭示Fe和Ru具有不同的决速步，这使得在同样的反应中，限域Fe活性提升，而限域Ru则活性降低，与实验结果一致。

在该工作中，通过机器学习结合巨正则系综蒙特卡洛模拟从原子层面解释了限域效应，为碳纳米管限域催化的理性设计提供了新的思路。同时本工作提供的技术路线也为数据驱动下的催化剂理性设计提供了参考方案。