MIT将绿色氨催化剂搜索从试错转变为性质筛选

氨主要通过化石燃料密集的Haber-Bosch工艺生产。电化学生产可以使用电力代替热量和压力，但其速率和产量仍然太低，无法满足工业经济要求。瓶颈在于催化剂：其表面特性决定了氨的生成量以及发生多少不必要的反应。

传统的材料方法利用化学直觉调整已知化合物，让研究人员在数年内探索数百万种可能的合金组合。MIT的研究人员转而使用量子力学密度泛函理论，探究哪些微观电子、化学和结构性质使过渡金属氮化物催化剂有效。然后，他们使用机器学习来识别可能克服反应中氮解离和氢转移瓶颈的候选合金。

结果是一个以性质为先的有前景材料图谱，而不是随机的化合物列表。该论文阐明了氮2p和金属d带性质如何与催化活性相关，并可能加速计算筛选。但该研究仍是理论性的：所提出的合金仍需在现实操作条件下的工作反应池中制造和测试。

找到催化活性背后的电子性质

测试每种合金组合需要数年时间，而模拟主导性质可以在制造前缩小搜索范围。

密度泛函理论在研究人员花时间制造物理催化剂之前估计材料行为。

过渡金属氮化物可以利用催化剂中的氮来帮助反应顺序，减少输入能源瓶颈。

机器学习将物理洞察转化为实用的筛选组合方法，以解决最慢的反应步骤。

当搜索空间太大而无法试错时，先模拟导致成功的物理性质；针对该性质进行筛选比测试每种组合更便宜。

该研究为研究人员设计更具选择性的氮化物催化剂奠定了基础，但尚未展示可工作的器件。下一步是使用候选催化剂生产氨并在操作条件下测试性能的反应池；文章明确表示真正实现现实影响仍有距离。