KIST- KAIST 共同研究团队
国内研究团队利用人工智能（AI）开发出一项新技术，可提升用于氢燃料电池汽车的铂催化剂的性能和安全性。
韩国科学技术研究院（KIST）14日表示，该院计算科学研究中心的Han Sangsoo博士和Kim Donghoon博士，与韩国科学技术院（KAIST）新材料工程系教授Lee Hyukmo共同开发出一项新的人工智能技术，能够针对数纳米（nm）尺度的铂纳米颗粒快速且精确地构建表面普尔贝图。
在主要用于氢燃料电池汽车的质子交换膜燃料电池（PEMFC）中，通常使用铂（Pt）系催化剂。由于催化剂性能与燃料电池寿命直接相关，因此提升铂催化剂的性能，尤其是稳定性的研究至关重要。利用“表面普尔贝图”可以预测催化材料在实际工作环境下的表面结构和稳定性。表面普尔贝图可以通过采用密度泛函理论（DFT）的吸附能量模拟计算获得，但对于具有数纳米尺度纳米颗粒结构的铂催化剂，计算往往需要耗时数千小时。
为精准预测催化剂表面吸附物质的结合能量，研究团队开发了结合嵌入–晶体图卷积神经网络（BE-CGCNN）模型。在现有晶体图卷积神经网络（CGCNN）模型中引入了考虑原子间键类型的结合嵌入（Bond-embedding）技术。利用BE-CGCNN模型，可以在相对于密度泛函理论计算仅约0.1 eV误差的水平上预测存在于铂纳米颗粒表面的吸附物的吸附能量，从而精确构建表面普尔贝图。与传统CGCNN模型相比，误差最多降低了85.7%。对于实际PEMFC中使用的约5 nm尺寸铂纳米颗粒，其表面普尔贝图的计算时间仅约70秒，而采用传统密度泛函理论则需要超过1年的时间。
Han博士表示：“BE-CGCNN模型不仅可用于预测铂的稳定性，也可用于预测多种金属及合金纳米颗粒的稳定性，因此有望应用于具有长寿命的新型催化材料开发。”Kim Donghoon博士称：“如果利用该技术开发出具有高稳定性的新型纳米颗粒催化剂，将能大幅延长燃料电池的使用寿命。今后我们将获取更多用于模型训练的数据，并扩展深度学习模型，使其能够应用于铂以外的多种材料。”
本次研究成果已于上月25日在线发表在国际学术期刊《Nature Communications》上。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
