深度学习算法包括循环神经网络（RNN）、聚焦景卷积神经网络（CNN）等[3]。
｜中展前电化学CO2还原为高附加值化学品/燃料提供了一种有希望的方法来减少CO2排放和缓解能源短缺。对近年来报道的用于CO2还原反应（CO2RR）的M-N-C催化剂进行了可视化性能比较，国智表明Ni和Fe-N-C催化剂是大规模CO2还原制CO的最有希望的候选催化剂。
（b）Fe、慧城Co和Ni-N-C电催化剂在CO2气氛和超高压下的XPSN1s光谱和相关结构之间的差异。【成果简介】近日，市建设北京林业大学王强教授与新加坡南洋理工大学刘斌教授联合，详细综述了电化学CO2转化为CO的M-N-C催化剂的研究进展。【结论展望】近年来，投资M-N-C催化剂在CO2转化为CO的过程中表现出了很高的效率，选择性高达100%。
预测（c）计算了Fe-N4中CO2电还原生成CO的吉布斯自由能图。图十二、分析非金属部分在M-N-C中的作用（a）超高真空（UHV）和13.3PaCO2气氛下Fe、Co和Ni-N-C的N1s高分辨率X射线光电子能谱。
聚焦景（b）计算的CO2RR的自由能。
（c）Fe-N4-N、｜中展前Fe-N4-NH、585-Fe-N4和585缺陷的UL（CO2）-UL（H2）值，以及Fe-N4-N和585-Fe-N4位置上*COOH吸附的平板模型。例如，国智发现Fe-N-CSACs中的Fe中心会发生Fe2+/Fe3+转变，在氧还原反应（ORR）中，亚铁态是真正的活性位点。
然而，慧城不同催化行为下的详细结构-功能关系仍不清楚。作为了解SACs催化行为的最新进展，市建设近年来利用先进的表征技术，特别是X射线吸收光谱（XAS），对操作过程中活性位点的动态演变进行了探测。
b）Cu/CNT-8、投资Cu/CNT-4、Cu/G的ORR自由能图。尽管已有研究证明碳基底对SACs的性能有很强的影响，预测但是碳基底结构与原位催化行为之间的关系尚未引起人们的重视。