印度科学研究所的研究人员发现，在利用氢气将二氧化碳转化为燃料和工业化学品的过程中，可能存在一种长期被传统模型忽略的氢传递路径。这一发现不仅有助于解释实验结果与理论预测之间的差异，也可能为开发更高效的催化剂、推动二氧化碳资源化利用提供新的方向。

这项研究由印度科学研究所（IISc）的研究团队主导，成果于2026年9月17日发表于《自然·通讯》杂志。研究人员开发了一套结合量子力学计算、机器学习和反应动力学建模的计算框架，用于研究铜催化剂表面发生的二氧化碳加氢反应。

二氧化碳加氢是一种将二氧化碳与氢气结合，在催化剂作用下转化为其他化学物质的技术。其中，甲醇是一种重要的目标产物，既可用于燃料生产，也广泛应用于化工制造。因此，如何提高二氧化碳的转化效率，并让反应更多地生成目标产物，一直是相关研究的重要课题。

然而，这类化学反应远比简单的反应方程式复杂。在催化剂表面，二氧化碳及其衍生中间体可能经历大量连续或相互竞争的反应步骤。研究人员如果试图通过量子力学计算完整描述所有可能的反应路径，将面临极其庞大的计算需求。为控制计算成本，传统研究通常只选取部分被认为较为重要的反应纳入模型。

问题在于，如果模型遗漏了某个关键反应，即使其余计算十分精确，最终预测仍可能与真实情况存在显著偏差。

研究团队首先利用量子力学模拟，建立了一个经过验证的反应数据库，其中包含152种反应。随后，他们训练机器学习模型，估算不同反应所需克服的活化能势垒。活化能决定了反应发生的难易程度，是预测化学反应速率的重要参数。

在此基础上，研究人员利用自动化工具，系统识别铜催化剂表面105种化学物种之间可能发生的反应，并判断哪些物种能够通过单一步骤相互转化。经过扩展，原先规模有限的反应网络最终增加至9389种基元反应。

扩大反应网络后，计算结果发生了明显变化。仅考虑152种反应时，模型错误地预测甲酸将成为主要产物，同时低估了二氧化碳的转化程度。而将数千种此前被忽略的反应纳入计算后，模型的预测结果则与实验观察更加吻合，能够正确识别甲醇和一氧化碳等主要产物，并预测出约为原模型40倍的二氧化碳转化量。

研究人员随后将扩展后的反应网络纳入动力学模型，以分析整个化学系统的实际行为。相关预测还得到了实验研究的验证。参与实验验证的人员来自印度斯坦石油公司的绿色研究与开发中心，以及新加坡科技研究局（A*STAR）相关研究团队。

除了提高模型预测的准确性，这项研究还揭示了一种值得关注的氢传递机制。

在传统的反应描述中，氢分子通常需要先解离成氢原子，再由这些氢原子参与后续的化学反应。但研究人员发现，在某些重要反应中，氢气分子中的氢可以直接转移到反应中间体上，而不必先完全解离成独立的氢原子。

进一步的量子力学计算证实，这种直接氢传递路径在氢转移至含氧中间体时，可能具有特别有利的能量条件。

这一发现挑战了部分传统模型对氢传递过程的简化处理方式。研究人员指出，只有当反应网络扩大到足够规模，允许计算系统考虑更多此前未被纳入的反应路径时，这一机制才得以显现。团队随后对相关步骤进行了更详细的量子力学计算，进一步确认了这一现象并非单纯来自模型预测。

研究人员认为，这一机制可能为改进催化剂设计提供线索。例如，如果催化剂能够与氢分子产生更强的相互作用，就有可能促进有利于甲醇生成的反应路径。不过，这仍然是一种有待进一步验证的设计思路，不能据此认定增强氢分子与催化剂之间的相互作用，就必然能够提高甲醇产率。

这项工作的另一项重要意义，是展示了计算化学与机器学习相结合的研究方法所具有的潜力。研究团队将量子力学计算、机器学习、自动化反应路径识别和反应动力学模型整合起来，既扩大了能够研究的反应范围，也降低了逐一通过高成本计算处理所有可能反应的难度。

研究人员表示，这一框架未来还可以应用于其他具有工业价值的化学过程，例如不同催化剂上的二氧化碳还原、氮还原以及水分解等反应。这些过程分别与碳资源循环利用、含氮化学品生产和氢气制备等领域密切相关。

随着减排和能源转型需求不断增加，将二氧化碳转化为甲醇等有用产品，被视为实现碳资源循环利用的潜在技术路线之一。不过，这类技术的整体环境效益还取决于氢气的生产方式、所需能源的来源、催化剂性能以及整个工艺的经济性。如果制氢仍然依赖高排放能源，二氧化碳转化过程本身并不必然意味着全生命周期排放下降。

因此，这项研究目前最直接的贡献，并不是已经开发出可以大规模商业应用的新型燃料生产设备，而是揭示了传统计算模型可能遗漏的重要化学反应，并提供了一种更全面地研究复杂催化反应的方法。随着研究人员进一步验证氢传递机制，并将其应用于催化剂优化，这一发现有望为提高二氧化碳转化效率和开发更具经济性的燃料生产工艺奠定基础。