在新兴的催化方法中，作为传统哈伯-博施工艺的有吸引力的替代方案，电催化氮还原反应（eNRR）已成为在温和条件下高效将N₂转化为NH₃的可行途径[1,2]。eNRR在氨合成中的核心挑战在于难以有效激活惰性的N₂，同时抑制竞争性的氢气演化反应（HER）。该反应主要通过关键中间体（*NNH, *N₂H₂, *NH, NH₂）遵循关联机制进行，其中初始NNH的形成通常是速率限制步骤[3]。因此，催化剂设计重点在于精确调节活性位点的电子结构和吸附性能。关键策略包括：界面工程以优化电子转移并抑制HER[4]；单原子催化剂以实现原子级效率[5]；以及掺杂/空位工程以创建富电子中心并协同优化中间体吸附[6]，从而提高N₂的激活效率和NH₃的选择性。
eNRR在可持续NH₃生产方面具有潜力；然而，较低的能量效率和法拉第效率（FE）仍然是实际应用的主要障碍（图1）[7]。通常，NH₃合成反应的相对较低效率源于多种因素，包括N₂在水环境中的溶解度有限[8]、N-N三键的强解离能[8]、HER、中间体在催化剂位点上的吸附以及吸附的氨（*NH₃*）的脱附难度。为了减轻这些负面影响，研究人员提出了使用催化剂来提高NH₃的生产效率，包括贵金属、金属氧化物[9,10]、金属硫化物[11,12]、金属氮化物[13,14]、非金属基电催化剂[15, [16], [17], [18], [19]]、单原子催化剂（SACs）[19,20]等[21]。目前的催化剂已经实现了高活性和高选择性。迫切需要开发更高效的替代方案。事实上，催化剂的开发往往依赖于试错方法，导致高昂的成本、漫长的时间周期和大量的资源消耗。因此，合理的设计和高通量筛选策略至关重要。
最近，已经开发出多种先进策略来促进系统的催化剂工程化和快速筛选。特别是，将密度泛函理论（DFT）与基于物理的描述符和高通量计算技术相结合，已成为一种强大的第一性原理驱动的催化剂发现方法[19,[22], [23], [24]]。人工智能的快速发展为催化剂设计和筛选提供了新的范式。机器学习（ML）作为一种高效的方法，在功能材料（尤其是光子材料、储能材料和催化材料）的应用中得到了验证[21,25,26]。它可以绕过复杂的量子力学计算，显著加速具有目标特性的材料设计和筛选[27,28]。相反，构建描述符有助于揭示催化剂的潜在化学性质[29]。ML使用描述符构建模型来探索潜在的催化剂，旨在减少重复过程，并降低资金、材料和人力资源的消耗。通过整合高通量计算、原位表征数据和多尺度算法模型，ML超越了经验实验的固有限制，同时阐明了电子描述符（如吸附能-d带中心相关性）与催化性能之间的关系，为精确控制反应路径提供了理论依据。因此，开发用于eNRR催化剂的ML预测器对于推进电催化NH₃生产技术具有重要意义。
尽管ML在eNRR领域受到了广泛关注，但对不同算法的学习过程、操作范式以及在不同应用场景下的相对优势和局限性的系统理解仍然有限。为了填补这一空白，本综述系统总结了电催化氨合成的最新进展，特别关注ML在催化剂优化、反应机制阐明和过程优化中的关键作用。通过研究单原子催化剂、金属氧化物和贵金属等代表性系统中的创新ML策略，本文探讨了催化剂活性、选择性和稳定性的同时优化。还提出了未来的研究方向，如结合动态模拟和全局优化的多模态数据融合，以及自主实验平台的发展。
