二氧化碳（CO₂）是主要的溫室氣體，其過量排放主要是由于工業革命以來人類活動大量消耗化石燃料所致。它還作為一種廉價且豐富的C1來源，用于生產碳氫燃料和增值化學品[1]、[2]、[3]。開發將CO₂轉化為碳基能源產品的技術對于緩解溫室效應、實現碳中和以及應對非可再生資源的稀缺性至關重要[4]、[5]。作為一種熱力學穩定且非極性的分子，CO₂的轉化通常需要高活性催化劑的協同作用以及大量的能量輸入，在高溫高壓下斷裂強鍵（783 kJ/mol）[6]、[7]。已經采用了多種催化途徑，包括熱催化、光催化、電催化、生物催化以及耦合催化方法，來研究CO₂的分解及其與其他原料氣體（如氫氣、甲烷、氮氣、水蒸氣和硫化氫）的共轉化[8]、[9]、[10]。然而，在溫和條件下實現CO₂及其共反應物的高效和選擇性轉化仍然是二氧化碳捕獲、利用和儲存（CCUS）領域的一個關鍵挑戰[11]、[12]、[13]。在眾多的CO₂轉化途徑中，CO₂氫化制甲醇（CH₃OH）特別具有吸引力，因為其產品的戰略重要性。甲醇不僅作為生產烯烴和芳烴等大宗化學品的核心平臺化合物，還作為一種清潔的高能量密度液體燃料和理想的氫儲存介質，在化學和能源領域具有廣泛的應用前景[14]、[15]、[16]。然而，傳統的熱催化甲醇合成往往受到苛刻反應條件（即高溫高壓）和熱力學限制的制約，這激發了人們對更節能和有效技術的探索[17]、[18]。

非熱等離子體（NTP）催化作為一種非常有前景的替代方法出現，能夠在相對溫和的條件下驅動化學反應[19]、[20]。圖1展示了在典型的填充床介電屏障放電（DBD）反應器中CO₂氫化制甲醇的工藝示意圖。這項技術的核心優勢在于能夠生成高能量的電子，這些電子可以在接近室溫的情況下激活像CO₂這樣的惰性分子，從而克服傳統的熱力學障礙[21]。等離子體與異質催化劑之間的協同作用可以進一步提高能量效率和目標產物的選擇性，可能開啟傳統催化方法無法實現的新反應途徑[22]、[23]。受到這些前景的啟發，等離子體催化CO₂氫化制甲醇方面取得了顯著進展。瑞士ABB公司的Kogelschatz研究小組首次使用DBD等離子體反應器和

催化劑，在0.8 MPa和$100°C$的溫和條件下，將體積比為1/3的

混合氣體轉化為甲醇[24]。21世紀以來，研究人員采用了多種放電方法，如DBD、納秒脈沖放電、射頻放電、微波放電和滑動弧放電來生成非平衡等離子體，并與銅基、鐵基、鎳基、鈷基和鉑基負載催化劑或其他異質催化劑協同作用，以提高CO₂轉化率、能量效率和甲醇產率及選擇性，同時探索等離子體催化CO₂氫化制甲醇的機制和特性[25]、[26]、[27]、[28]、[29]、[30]。這些令人興奮的進展凸顯了等離子體催化在高效CO₂利用方面的巨大潛力。

甲醇產率的優化對于等離子體催化CO₂氫化的工業可行性至關重要。然而，產率受到許多操作參數（如電場強度、放電頻率、氣體溫度、進料組成、催化劑性質等）的共同影響，而等離子體催化過程涉及數百種活性物種和數千個基本反應之間的復雜相互作用，使得通過實驗試錯來探索和優化龐大的參數空間變得成本高昂且耗時。目前，數值模擬已成為提供等離子體和表面動力學微觀洞察以及指導工藝參數優化不可或缺的工具。世界各地的研究團隊已經開發并應用了全局和流體模型，對等離子體催化CO₂氫化制甲醇的機制進行了數值建模，成功闡明了演變特性、參數效應和等離子體催化動力學機制[31]、[32]、[33]、[34]、[35]。然而，由于需要設置精細的網格和小的時間步長，數值模擬通常需要較長的單次運行時間和較高的計算成本，并且可能存在收斂問題。因此，無論是通過實驗還是模擬，要在由多個工藝參數組成的龐大參數空間中構建完整的“參數-產率”關系圖，都需要巨大的總計算成本。這嚴重限制了快速參數搜索和全局優化的效率，而這些步驟對于實現高效的CO₂工業應用至關重要。

自2022年以來，越來越多地利用機器學習（ML）來推動等離子體催化CO₂轉化的機制研究和最優設計的研究被報道，成為該領域的一個新興研究熱點。例如，Luo等人[36]使用貝葉斯優化+反向傳播人工神經網絡和遺傳算法+支持向量回歸開發了一個用于等離子體催化CO₂轉化的機器學習模型。Cai等人[37]建立了一個由回歸樹、支持向量回歸和人工神經網絡組成的混合機器學習模型，并結合遺傳算法優化，研究了工作參數對等離子體催化CO₂轉化的影響。盡管機器學習提供了一個潛在的解決方案，但傳統的ML模型開發從根本上依賴于足夠大的標記數據集，而當每次評估成本較高時，獲取這樣的數據集非常困難。

同時，主動學習（AL）作為一種數據高效的范式，在更廣泛的科學界引起了越來越多的關注，用于加速科學發現。在催化相關研究中，代表性的AL工作流程通常依賴于顯式的化學特征。例如，Souza等人[38]整合了基于混合密度泛函理論（DFT）的隨機森林（RF）替代模型和指紋描述符以及不確定性采樣，使用不到400次實驗就高效地覆蓋了超過22,000種化合物的虛擬空間。此外，AL還與圖表示學習相結合。Gong等人[39]通過整合學習到的反應圖表示和以多樣性為導向的查詢策略開發了“DeepReac+”，實現了數據高效的有機反應產率建模，而Samoaa等人[40]提出了一個利用圖嵌入進行軟件性能預測的統一AL框架。最近，Hua等人[41]引入了“RS-Coreset”方法，該方法結合了多源分子指紋和產率反饋指導，實現了2.5%–5%的標記比例的高精度預測。

盡管如此，主動學習在等離子體催化領域仍處于起步階段，尚未得到充分探索。基于上述主動學習的進展，本文創新地將基于AL的優化范式引入等離子體催化領域，以減輕數據獲取的負擔。然而，將這些范式應用于等離子體催化面臨方法論上的挑戰。與離散的分子圖或指紋描述符不同，等離子體催化的數值研究通常涉及連續的、多維的和非線性的物理化學參數空間。因此，本研究構建了一個針對這些參數特性定制的目標導向的雙重聚類主動表示學習框架。該框架的核心是目標導向的表示學習與樣本選擇之間的閉環耦合：利用產率反饋迭代更新等離子體操作參數的潛在表示，將具有相似產率的樣本聚類到緊湊的區域。因此，在這個更新的“產率感知”潛在空間中進行的最大覆蓋采樣（MCS）可以高效地識別出全局代表性的樣本，同時最小化性能相似區域中的冗余評估。這種方法論的調整有效地將復雜的過程參數與最少的數據分離，將研究范式從“被動模擬掃描”轉變為“主動、目標驅動的探索”，并為基于機制的分析奠定了成本效益的基礎。

本研究的一個核心假設是，參數空間的有效、產率相關的表示是數據高效替代建模的先決條件。本研究采用目標導向的表示學習策略將原始輸入特征轉換為與產率相關的潛在表示。這種轉換的有效性在圖4中得到了可視化，該圖使用可視化工具t-SNE比較了學習過程前后的參數空間。