隨著全球對清潔能源和可持續環境技術需求的不斷增長，對具有高效電化學轉化能力、能夠選擇性傳輸分子并在各種條件下保持長期穩定性的材料的研究也在不斷加強[1]。二維（2D）材料已成為應對這些挑戰的有希望的替代材料。自石墨烯被發現以來，這一領域發展迅速。由于其原子級厚度、可調的電子結構和較大的比表面積，2D材料吸引了越來越多的關注。這些特性賦予了2D材料高電導率、高熱導率和機械柔韌性。此外，其表面化學性質可以精確調控，從而在吸附、離子分離和異相催化等領域得到廣泛應用[2]、[3]、[4]。

文獻計量分析（圖1a）顯示，2D材料在能源、電子和環境領域以及能量存儲、能量轉換和能量恢復方面的研究活動顯著增加。這些領域之間的聯系緊密相連。例如，2D材料的大表面積和可調孔隙性可以加速電化學動力學并實現選擇性離子傳輸[5]、[6]。通過對2D材料表面進行改性，可以提高其電催化活性和污染物捕獲能力[7]、[8]、[9]。無論是海水淡化裝置還是能量轉換裝置，都依賴于穩定的界面，并要求離子遷移可控[10]、[11]、[12]。采用綜合視角看待這些研究領域的問題，有助于確定通用設計原則，并促進跨學科策略的發展，從而推動可持續能源和環境技術的進步。2D材料的發展正逐漸從依賴經驗探索轉向依靠理論和數據進行設計。早期研究主要集中在2D材料的合成和表征上，這些研究揭示了2D材料的光學、電學、熱學和機械性質[13]、[14]、[15]。密度泛函理論（DFT）為帶隙調節、能帶對齊和電荷轉移提供了更深入的理解，為性能優化奠定了基礎[16]、[17]、[18]。通過分子動力學（MD）模擬，我們能夠捕捉到實際條件下的熱傳遞、離子擴散和缺陷演變等動態過程[19]、[20]。總的來說，這些計算工作產生了大量數據集，這些數據集現已整合到開放訪問倉庫中，為基于機器學習（ML）的2D材料研究提供了支持。

盡管取得了這些進展，但基于DFT的高通量模擬在復雜系統上仍然計算成本高昂且難以擴展[21]。因此，ML已成為第一性原理方法的有效補充（圖1b）。支持向量機、隨機森林和神經網絡等算法可以在預測關鍵物理化學性質方面達到接近DFT的準確度，同時大幅降低計算成本。更重要的是，ML引入了材料發現的新范式。通過利用實驗和理論數據集，ML模型可以揭示隱藏的結構-性質關系，指導合成和工藝優化，并實現傳統方法難以實現的反向設計和多目標設計策略[22]、[23]。對于具有豐富成分多樣性、結構靈活性和復雜界面化學性質的2D材料來說，這些優勢尤為顯著。它們的性能不僅受內在性質影響，還受缺陷、相變、堆疊順序和環境相互作用的影響。缺陷工程是2D能源材料設計中的關鍵手段，因為空位、反位點以及邊緣或應變誘導的狀態可以顯著改變吸附能量、電荷轉移和反應動力學。全面的機理研究表明，缺陷的形成和演變在決定能量轉換和存儲系統的性能方面起著關鍵作用[24]。這種高維且強耦合的設計空間難以僅通過傳統的實驗或計算方法進行探索。在這種情況下，ML為2D材料的合理設計和加速發現提供了新的途徑。盡管已有幾篇綜述文章探討了ML在2D材料合成、表征和理論中的應用[25]、[26]、[27]、[28]，但大多數文章集中在基礎發現、生長機制、異質結構設計或特定應用領域（如傳感）上。相比之下，本文提供了能源和環境技術交叉領域的應用驅動和跨學科視角。因此，本文不僅總結了最新進展，還概述了面向可擴展、可解釋和可持續的ML驅動的2D材料設計的未來研究方向。

本文詳細介紹了ML如何與實驗和第一性原理計算相結合，從而重塑了2D材料的發現、篩選和優化整個過程。通過將數據科學與材料化學相結合，ML有助于揭示結構-性質關系，并加速高通量預測。它還實現了傳統計算工作流程難以實現的反向設計策略。本文探討了在能源和環境應用領域（如電化學儲能、電催化、熱電轉換、海水淡化、污染物去除和毒性評估）中由ML驅動的最新進展，特別關注了模型的性能、可解釋性和可擴展性，并簡要介紹了關鍵挑戰和新興機遇。重點在于開發一個可靠、基于物理的可持續ML框架，以支持2D材料的合理設計，并促進清潔能源和環境技術的未來創新與發展。