哈爾濱師範大學化學與化學工程學院的 Xinyue Mo、Jingwei Liu 及 Jingxiang Zhao 等研究團隊，針對電催化硝酸鹽還原反應（NO3RR）開發了一套結合密度泛函理論（DFT）與機器學習的篩選策略。該研究旨在解決傳統哈伯-博施工藝高能耗與高碳排的問題，同時處理環境中的硝酸鹽污染，將其轉化為具高價值的綠色能源載體與工業原料「氨」（NH3）。
研究團隊針對一系列由 1,4-苯環連接八羧基酞菁構成的二維過渡金屬共價有機框架（TM-COFs，金屬包含 Ti、V、Cr、Fe、Co、Ni、Cu 等 3d 至 5d 元素）進行穩定性與催化活性分析。透過四步篩選原則，研究證實 Ti-COF 為最優異的電催化劑候選材料。該材料具備極低的極限電位（-0.19 V），展現出卓越的氨選擇性，且在熱力學與電化學環境下均表現出優異的穩定性。
此外，研究利用 Sure Independence Screening 和 Sparsifying Operator 等機器學習方法，成功建立了結構與活性之間的定量關係，發現 Ti 活性位點的平衡電子性質與局部化學環境是提升性能的關鍵。這項研究不僅為去除水體硝酸鹽汙染提供技術路徑，更為未來高效電催化劑的快速篩選與合理設計提供了精準的計算策略。