MIT將綠氨催化劑搜尋從試錯轉為性質篩選

氨主要透過化石燃料密集的哈伯法（Haber-Bosch process）製造。電化學生產可用電力取代高溫高壓，但其速率與產率仍過低，不符工業經濟效益。瓶頸在於催化劑：其表面性質決定生成多少氨，以及發生多少不想要的反應。

傳統材料方法憑化學直覺微調已知化合物，研究人員得耗費數年探索數百萬種可能的合金組合。MIT研究人員改以量子力學密度泛函理論，探究哪些微觀電子、化學與結構性質使過渡金屬氮化物催化劑有效。他們接著用機器學習找出可能克服該反應氮解離與氫轉移瓶頸的候選合金。

結果是一張以性質為先、標示有潛力材料的圖譜，而非隨機的化合物清單。該論文闡明氮2p與金屬d能帶性質如何與催化活性相關，並可加速計算篩選。這仍屬理論階段：所提出的合金仍需在真實操作條件下的工作反應槽中製造並測試。

找出催化活性背後的電子性質

逐一測試每種合金組合得花上數年，而針對主導性質建模可在製造前縮小搜尋範圍。

密度泛函理論讓研究人員在花時間製作實體催化劑之前，先估算材料行為。

過渡金屬氮化物可利用催化劑本身的氮協助安排反應順序，並減少輸入能量的瓶頸。

機器學習把物理洞見轉化為實用方法，用以篩選可能修正最慢反應步驟的組合。

當搜尋空間大到無法靠試錯時，先對造成成功的物理性質建模；針對該性質篩選，比測試每種組合更便宜。

這項研究為研究人員設計更具選擇性的氮化物催化劑奠定了基礎，但尚未展示可運作的裝置。下一步是讓候選催化劑在反應槽中產氨，並在操作條件下測試效能；文章明確表示，要產生有意義的現實影響仍有一段距離。