MIT, 그린 암모니아 촉매 탐색을 시행착오에서 물성 스크리닝으로 전환

암모니아는 대부분 화석연료 집약적인 하버-보슈 공정으로 생산된다. 전기화학적 생산은 열과 압력 대신 전기를 사용할 수 있지만, 그 속도와 수율은 산업 경제성을 갖추기에는 여전히 너무 낮다. 병목은 촉매다. 촉매의 표면 물성이 얼마나 많은 암모니아가 생성되고 얼마나 많은 원치 않는 반응이 일어나는지를 결정한다.

기존의 재료 접근법은 화학적 직관을 이용해 알려진 화합물을 조정하는 방식으로, 연구자들은 수년에 걸쳐 수백만 가지의 가능한 합금 조합을 탐색해야 했다. MIT 연구진은 대신 양자역학적 밀도범함수이론을 사용하여 어떤 미시적 전자적, 화학적, 구조적 물성이 전이금속 질화물 촉매를 효과적으로 만드는지 탐구했다. 그런 다음 기계학습을 사용하여 반응의 질소 해리 및 수소 전달 병목을 극복할 수 있는 후보 합금을 식별했다.

그 결과는 무작위 화합물 목록이 아니라 유망한 재료의 물성 우선 지도였다. 이 논문은 질소 2p와 금속 d-밴드 물성이 촉매 활성과 어떻게 관련되는지를 명확히 하고 계산적 스크리닝을 가속할 수 있다. 이는 여전히 이론적이다. 제안된 합금은 실제 작동 조건에서 작동하는 반응 셀에서 제작되고 시험되어야 한다.

촉매 활성 뒤에 있는 전자적 물성을 찾아내기

모든 합금 조합을 시험하는 데는 수년이 걸리지만, 지배적인 물성을 모델링하면 제작 전에 탐색 범위를 좁힐 수 있다.

밀도범함수이론은 연구자들이 물리적 촉매를 만드는 데 시간을 쓰기 전에 재료 거동을 추정한다.

전이금속 질화물은 촉매 자체의 질소를 이용해 반응 순서를 돕고 투입 에너지 병목을 줄일 수 있다.

기계학습은 물리적 통찰을 가장 느린 반응 단계를 해결할 수 있는 조합을 스크리닝하는 실용적인 방법으로 전환한다.

탐색 공간이 시행착오로 감당하기에 너무 클 때는 성공을 일으키는 물성을 먼저 모델링하라. 그 물성에 대한 스크리닝은 모든 조합을 시험하는 것보다 저렴하다.

이 연구는 연구자들에게 더 선택적인 질화물 촉매를 설계하기 위한 기반을 제공했지만, 아직 작동하는 장치를 입증하지는 못했다. 다음 단계는 후보 촉매로 암모니아를 생산하고 작동 조건에서 성능을 시험하는 반응 셀이다. 이 기사는 실질적인 현실 세계의 영향이 아직 상당한 거리에 있다고 명시적으로 밝히고 있다.