Ammoniak wird überwiegend im fossilstoffintensiven Haber-Bosch-Verfahren hergestellt. Die elektrochemische Herstellung könnte Strom statt Wärme und Druck nutzen, doch ihre Raten und Ausbeuten bleiben für die industrielle Wirtschaftlichkeit zu niedrig. Der Engpass ist der Katalysator: Seine Oberflächeneigenschaften bestimmen, wie viel Ammoniak entsteht und wie viele unerwünschte Reaktionen ablaufen.
Der konventionelle Materialansatz verändert bekannte Verbindungen mithilfe chemischer Intuition, sodass Forschende über Jahre hinweg Millionen möglicher Legierungskombinationen erkunden müssen. Die MIT-Forschenden nutzten stattdessen die quantenmechanische Dichtefunktionaltheorie, um zu klären, welche mikroskopischen elektronischen, chemischen und strukturellen Eigenschaften Übergangsmetallnitrid-Katalysatoren wirksam machen. Anschließend setzten sie maschinelles Lernen ein, um Kandidatenlegierungen zu identifizieren, die die Engpässe der Reaktion – die Stickstoff-Dissoziation und den Wasserstoff-Transfer – überwinden könnten.
Das Ergebnis war eine eigenschaftsbasierte Landkarte vielversprechender Materialien statt einer zufälligen Liste von Verbindungen. Die Arbeit klärt, wie Stickstoff-2p- und Metall-d-Band-Eigenschaften mit der katalytischen Aktivität zusammenhängen, und kann das computergestützte Screening beschleunigen. Sie bleibt theoretisch: Die vorgeschlagenen Legierungen müssen noch hergestellt und in einer funktionierenden Reaktionszelle unter realen Betriebsbedingungen getestet werden.
Die elektronischen Eigenschaften hinter der katalytischen Aktivität finden
Jede Legierungskombination zu testen, würde Jahre dauern, während die Modellierung der maßgeblichen Eigenschaft die Suche vor der Herstellung eingrenzt.
Die Dichtefunktionaltheorie schätzt das Materialverhalten ab, bevor Forschende Zeit in die Herstellung eines physischen Katalysators investieren.
Übergangsmetallnitride können den Stickstoff im Katalysator selbst nutzen, um die Reaktion zu sequenzieren und Engpässe bei der zugeführten Energie zu verringern.
Maschinelles Lernen macht aus der physikalischen Erkenntnis eine praktische Methode, um Kombinationen zu screenen, die die langsamsten Reaktionsschritte beheben könnten.
Wenn ein Suchraum zu groß für Versuch und Irrtum ist, sollte man zuerst die physikalische Eigenschaft modellieren, die den Erfolg bewirkt; das Screening auf diese Eigenschaft ist günstiger als das Testen jeder Kombination.
Die Studie lieferte Forschenden eine Grundlage für die Entwicklung selektiverer Nitrid-Katalysatoren, zeigte jedoch noch kein funktionierendes Gerät. Der nächste Schritt ist eine Reaktionszelle, die mit dem Kandidatenkatalysator Ammoniak erzeugt und die Leistung unter Betriebsbedingungen testet; der Artikel sagt ausdrücklich, dass eine bedeutende Wirkung in der realen Welt noch in einiger Entfernung liegt.
DEN BELEGEN FOLGEN
Die Quellen
- Paving the way for greener ammonia production MIT News · news.mit.edu ·
- Nitrogen 2p – metal d band hybridization governs nitrogen reduction reaction on transition metal nitrides EES Catalysis (Royal Society of Chemistry) · pubs.rsc.org ·