Le MIT transforme la recherche de catalyseurs pour l'ammoniac vert d'un processus d'essais-erreurs en un criblage de propriétés

L'ammoniac est principalement produit par le procédé Haber-Bosch, gourmand en énergie fossile. La production électrochimique pourrait utiliser l'électricité au lieu de la chaleur et de la pression, mais ses taux et rendements restent trop faibles pour être économiquement viables à l'échelle industrielle. Le goulot d'étranglement est le catalyseur : ses propriétés de surface déterminent la quantité d'ammoniac formée et le nombre de réactions indésirables.

L'approche conventionnelle des matériaux ajuste des composés connus en s'appuyant sur l'intuition chimique, laissant les chercheurs explorer des millions de combinaisons d'alliages possibles pendant des années. Les chercheurs du MIT ont plutôt utilisé la théorie de la fonctionnelle de la densité, de nature quantique, pour déterminer quelles propriétés microscopiques électroniques, chimiques et structurelles rendent les catalyseurs à base de nitrures de métaux de transition efficaces. Ils ont ensuite utilisé l'apprentissage automatique pour identifier des alliages candidats susceptibles de surmonter les goulots d'étranglement de la réaction liés à la dissociation de l'azote et au transfert d'hydrogène.

Le résultat est une cartographie des matériaux prometteurs fondée d'abord sur les propriétés, plutôt qu'une liste aléatoire de composés. L'article clarifie la relation entre les propriétés des orbitales 2p de l'azote et de la bande d des métaux et l'activité catalytique, et peut accélérer le criblage computationnel. Il reste théorique : les alliages proposés doivent encore être fabriqués et testés dans une cellule réactionnelle fonctionnelle, dans des conditions opératoires réelles.

Identifier les propriétés électroniques à l'origine de l'activité catalytique

Tester toutes les combinaisons d'alliages prendrait des années, tandis que la modélisation de la propriété déterminante réduit le champ de recherche avant la fabrication.

La théorie de la fonctionnelle de la densité estime le comportement d'un matériau avant que les chercheurs ne consacrent du temps à fabriquer un catalyseur physique.

Les nitrures de métaux de transition peuvent utiliser l'azote présent dans le catalyseur lui-même pour aider à séquencer la réaction et réduire les goulots d'étranglement liés à l'énergie d'entrée.

L'apprentissage automatique transforme l'aperçu physique en un moyen pratique de cribler les combinaisons susceptibles de corriger les étapes réactionnelles les plus lentes.

Lorsqu'un espace de recherche est trop vaste pour les essais-erreurs, il faut d'abord modéliser la propriété physique qui conditionne le succès ; cribler sur cette propriété coûte moins cher que tester chaque combinaison.

L'étude a fourni aux chercheurs une base pour concevoir des catalyseurs à base de nitrures plus sélectifs, mais elle n'a pas encore démontré de dispositif fonctionnel. L'étape suivante est une cellule réactionnelle qui produit de l'ammoniac avec le catalyseur candidat et évalue ses performances dans des conditions opératoires ; l'article indique explicitement qu'un impact réel significatif reste encore lointain.