国内研究团队通过人工智能（AI）揭示出“锌（Zn）在铂-钴原子排列中起决定性作用”的事实。铂催化剂被用于氢燃料电池汽车，但一直背负着价格高、寿命短的局限。由于性能会随时间推移而下降、制造成本又高，铂催化剂也成为氢燃料电池汽车普及的绊脚石。与此相反，由人工智能完成的“虚拟设计图”则改善了铂催化剂的缺点，使实现高性能催化剂成为可能。这是一种由人工智能计算、预测原子排列，再通过实际实验将结果落地的方式。舆论认为，这种方式有望成为今后材料开发的新范式。
KAIST新材料工程系教授 Jo Eunae 研究团队与首尔大学化学生物工程系教授 Lee Wonbo 研究团队利用人工智能开发出预测催化剂“原子排列”趋势的技术，KAIST于26日作出上述表示。
这一技术的原理类似于“在真正拼图之前，先计算哪种组合更有利于完成拼图”。人工智能先计算金属原子排列的速度，从而能够高效设计出性能优异的催化剂。
例如，在用于氢燃料电池汽车的现有铂-钴（Pt-Co）合金催化剂中，要形成原子规则排列的“金属间化合物”结构，需要在极高温度下进行热处理。但在这一过程中，颗粒会发生团聚或结构变得不稳定，因此在真正的燃料电池中应用存在局限。
为解决上述问题，联合研究团队引入了基于机器学习的量子化学模拟，以便通过人工智能精确预测催化剂内部原子如何运动和排列。
（自左起）KAIST博士研究生 Jang Hyeonwoo、教授 Jo Eunae，（上方自左起）首尔大学教授 Lee Wonbo、博士 Ryu Jaehyun。KAIST提供
View original image在模拟过程中，联合研究团队发现锌会作为促进原子排列的媒介元素发挥作用。引入锌后，原子更容易找到各自的位置，从而能够形成精细且稳定的结构。可以说，人工智能找到了“原子排列形成的最优路径”。
根据人工智能预测实际合成出的“锌-铂-钴催化剂”，相比传统铂催化剂，能够同时实现更高的活性和优异的长期耐久性。这一案例证明，研究人员可以以人工智能计算出的“虚拟设计图”为基础，在实验室中实现高性能催化剂。
尤其是，联合研究团队开发的这项技术，有望在氢燃料乘用车，以及需要长距离运行的氢燃料卡车和氢燃料船舶、能源存储系统（Energy Storage System）等碳中和核心产业整体领域，为延长催化剂寿命和降低制造成本作出贡献。
Jo 教授表示：“本次研究是利用机器学习事先预测催化剂的原子排列趋势，并将其落实到实际合成的案例”，并称“基于人工智能的材料设计有望成为下一代燃料电池催化剂开发的新范式”。
另一方面，本次研究由 KAIST 新材料工程系博士研究生 Jang Hyeonu 和首尔大学化学生物工程系博士 Ryu Jaehyun 共同担任第一作者。研究成果（论文）近期发表在能源材料领域国际学术期刊《Advanced Energy Materials》上。
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
