MIT、グリーンアンモニア触媒の探索を試行錯誤から特性スクリーニングへ転換

アンモニアは主に、化石燃料を大量に消費するハーバー・ボッシュ法によって製造されている。電気化学的製造は熱や圧力の代わりに電力を利用できるが、その速度と収率は産業経済性を満たすには依然として低すぎる。ボトルネックは触媒である。触媒の表面特性が、生成するアンモニアの量と、発生する不要な反応の数を決定する。

従来の材料アプローチは化学的直感を用いて既知の化合物を微調整するもので、研究者は何年もかけて数百万の可能な合金の組み合わせを探索することになる。これに対しMITの研究者らは、量子力学的密度汎関数理論を用いて、遷移金属窒化物触媒を有効にする微視的な電子的・化学的・構造的特性は何かを問うた。その後、機械学習を用いて、反応の窒素解離と水素移動のボトルネックを克服する可能性のある候補合金を特定した。

その結果は、化合物の無作為なリストではなく、有望な材料の特性優先のマップであった。論文は、窒素2pと金属dバンドの特性が触媒活性とどのように関係するかを明らかにし、計算によるスクリーニングを加速できる。これは依然として理論的なものであり、提案された合金は実際の運転条件下で動作する反応セル内で作製・試験する必要がある。

触媒活性の背後にある電子特性を特定する

すべての合金の組み合わせを試験するには何年もかかるが、支配的な特性をモデル化すれば、作製前に探索範囲を絞り込める。

密度汎関数理論は、研究者が物理的な触媒の作製に時間を費やす前に、材料の挙動を見積もる。

遷移金属窒化物は、触媒自体の窒素を利用して反応を順序立て、投入エネルギーのボトルネックを軽減できる。

機械学習は、物理的知見を、最も遅い反応段階を修正する可能性のある組み合わせをスクリーニングする実用的な方法に変える。

探索空間が試行錯誤には大きすぎる場合、まず成功を引き起こす物理的特性をモデル化する。その特性をスクリーニングする方が、すべての組み合わせを試験するよりも安価である。

この研究は研究者に、より選択性の高い窒化物触媒を設計するための基盤を与えたが、まだ動作するデバイスを実証したわけではない。次の段階は、候補触媒でアンモニアを生成し、運転条件下で性能を試験する反応セルである。記事は、実世界で意味のある影響を及ぼすにはまだかなりの距離があると明言している。