A gold catalyst of Au/ pyrenyl-graphdiyne (Pyr-GDY) was prepared by anchoring small size of gold nanoparticles (Au NPs) on the surface of Pyr-GDY for electrocatalytic nitrogen reduction reaction (eNRR), in which Au NPs with a size of approximately 3.69 nm was evenly distributed on spongy-like porous Pyr-GDY. The catalyst exhibited a good electrocatalytic activity for N₂ reduction in a nitrogen-saturated electrolyte, with an ammonia yield of 32.1 μg·h^-1·mg_cat^-1 at -0.3 V (vs RHE), 3.5 times higher than that of Au/C (Au NPs anchored on carbon black). In addition, Au/Pyr-GDY showed a Faraday efficiency (FE) of 26.9% for eNRR, and a good catalysis durability for over 22 h.

随着人工智能(AI)迅猛发展，高分子化学教学迎来了诸多革新机遇，却也面临一系列挑战。本文深度剖析AI在教学内容、方法、课堂模式以及师生角色转变等方面的创新实践，并探讨其面临的问题。通过实际案例提出提升教师素养、完善教学资源建设等应对策略，旨在推动AI与高分子化学教学深度融合，全方位提升教学质量。

二维Ⅲ族氮化物(h-BN、h-AlN、h-GaN与h-InN)因其类石墨烯结构、热稳定性及宽禁带特性，在电子与光电器件中具有重要潜力。传统的密度泛函理论(DFT)与经典分子动力学(MD)方法分别在计算精度与尺度有优势，但也限制了其在高精度的大尺度结构与性能研究中的应用。本文引入深度势能(DP)方法，构建了高精度机器学习势函数(MLP)，系统研究了二维Ⅲ族氮化物的晶格动力学、热力学、力学与热输运特性。深度势能对能量与原子力的预测接近GGA/PBE的精度，并准确重现了声子色散及0–1200 K范围内的热力学函数(自由能、热容、熵)。通过MD方法进行单轴拉伸模拟，揭示各材料的力学行为差异。h-BN刚性强且易脆断，h-AlN与h-GaN具有良好的强度和延展性，h-InN整体机械性能较弱。基于修正的非平衡分子动力学(NEMD)方法计算了材料热导率，发现h-BN与h-AlN表现出显著的长度依赖性，源于声子平均自由程较长。h-GaN与h-InN由于声子散射增强，热导率整体偏低。本研究结果表明，DP方法兼具GGA/PBE精度与大尺度模拟能力方面优势，不仅提升了对二维Ⅲ族氮化物结构性能的理解，也为其在材料设计和器件的应用提供了计算框架与理论依据。