CO₂是化石资源燃烧的主要排放物之一，也是生物质基油脂制备航空燃油过程中生成的主要副产物。近年来，随着全球现代化进程逐渐加快，CO₂的排放量增长显著，加剧了温室效应，导致全球性气候变暖、海平面上升，严重地影响了人类生存的环境和生态平衡。开发和实现经济高效的二氧化碳分离、捕集、封存和利用技术，已成为全球学者关注的焦点。目前CO₂捕集的方法众多，其中吸附法以其能耗低、经济效益高、设备抗腐蚀能力强、应用条件宽等优点，成为了一种有效的解决手段。到目前为止，多孔碳材料因其廉价、大的比表面积、孔容及易调控的孔道结构等性质使其在CO₂捕集上具有很大的应用潜力。

    近年来，通过提高多孔碳的比表面积、孔容（尤其是微孔孔容）等手段来提升CO₂吸附容量的方法已被广泛的研究和讨论。但结论众说纷纭，大部分的研究认为微孔孔容是影响CO₂吸附的唯一决定因素，有研究指出在一定吸附条件下多孔碳的比表面积与CO₂吸附容量成正比。最新的研究则表明介孔的存在对CO₂吸附容量也有很大的影响。但目前的这些结论都是基于非常有限的数据总结得到的，结论并不统一，且适用范围窄。因此，探究多孔碳的孔道结构对CO₂吸附的普适性影响规律显得尤为重要。

鉴于此，浙江大学化工学院制药工程研究所傅杰副教授课题组与美国橡树岭国家实验室戴胜教授合作，采用深度学习技术成功的模拟出多孔碳的质构特性与CO₂吸附量之间的关系。深度学习作为人工智能的核心技术，在图像、语音、自然语言处理等领域已取得了大量关键性突破。本文通过深度学习算法训练了超过1000组多孔碳的质构特性与CO₂吸附量之间的关系，得到了一个质构特性转换为CO₂吸附量的含蓄表达。通过这一表达，输入未知多孔碳的质构特性数据就可以自动预测出其CO₂吸附容量。并且在不同的吸附压力下，微孔与介孔孔容对CO₂吸附容量的影响差异很大。

相关结果以原文为准。原文题为“Prediction of Carbon Dioxide Adsorption via Deep Learning”发表在Angew. Chem. Int. Ed. 2019, 58, 259-263上，第一作者为博士生张子豪。浙江大学傅杰副教授和美国橡树岭国家实验室戴胜教授为共同通讯作者。