AI-guided high-throughput discovery of iridium- and ruthenium-free palladium-oxide catalysts for durable acidic oxygen evolution

수전해를 통해 물에서 수소를 만드는 과정은 물 분자를 그 구성 성분으로 분해해야 하며, 이 반응을 추진하기 위해서는 막대한 에너지가 필요합니다. 산소가 방출되는 이 반응의 한 축은, 특히 강산 환경에서 일어날 때 속도를 높이기가 매우 까다로운 것으로 알려져 있습니다. 수십 년 동안, 이 가혹한 산성 환경에서도 부서지거나 성능을 잃지 않고 견딜 만큼 신뢰할 수 있는 재료는 이리듐과 루테늄의 산화물뿐이었습니다. 이 금속들은 매우 희귀하며, 공급망이 몇몇 지역에 집중되어 있어 취약하고 중단될 위험이 큽니다. 만약 세계가 대규모로 수소 에너지 시스템을 구축하기를 희망한다면, 이러한 희귀 재료에 의존하는 것은 산업 전체를 멈추게 할 수 있는 병목 현상을 초 만들 수 있습니다. 과학자들은 오랫동안 풍부하면서도 내구성이 뛰어난 대체재를 찾아왔지만, 산성 조건에서 견디면서도 효율성을 유지할 수 있는 재료를 찾는 것은 난제로 남아 있었습니다.

릴라 사이언스(Lila Sciences)의 연구진은 이제 새로운 종류의 자동화된 발견 플랫폼을 사용하여 유망한 해결책을 찾아냈으며, 팔라듐 기반의 촉매군이 실행 가능한 대안이 될 수 있음을 확인했습니다. 어떤 화학적 조합이 효과적일지 인간의 직관에 의존하는 대신, 그들은 인공지능이 실험을 지시하는 폐쇄 루프 시스템을 구축했습니다. 이 플랫폼은 고속 로봇 합성 기술과 모든 결과로부터 학습하는 머신러닝 모델을 결합합니다. 시스템은 다양한 금속 산화물로 이루어진 수천 개의 작은 샘 샘플을 생성하고, 이들이 산소를 얼마나 잘 생성하는지와 산성에서 얼마나 오래 지속되는지를 테스트한 다음, 그 데이터를 사용하여 다음에 만들 새로운 샘플을 결정합니다. 이 과정은 대부분 자동화되어 있으며, 로봇이 합성과 테스트를 처리하는 동안 AI가 결과를 분석하고 다음 후보군을 제안함으로써 전통적인 방식보다 훨씬 빠른 속도로 발견의 순환을 만들어냅니다.

연구 과정 동안, 이 시스템은 26가지 서로 다른 원소로 이루어진 방대한 재료 영역을 탐색하며 약 3,000개의 서로 다른 촉매 조성을 평가했습니다. 목표는 두 가지 상충하는 요구 사항, 즉 최소한의 에너지 낭비로 작동하는 '높은 활성'과 시간이 지나도 녹거나 퇴화하지 않는 '높은 안정성' 사이의 균고를 찾는 것이었습니다. 테스트된 대부분의 재료는 이 중 한 가지 측면에서 실패했습니다. 잘 작동하지만 빠르게 부서지거나, 오래 지속되지만 작동하는 데 너무 많은 에너지가 필요했습니다. 그러나 AI는 이 어려운 절충점을 성공적으로 탐색하여 두 가지 특정 혼합물을 찾아냈습니다. 이 촉매들은 주로 이리듐보다 훨씬 흔한 금속인 팔라듐으로 만들어졌지만, 이를 안정화하기 위해 다른 원소들을 미량 혼합했습니다. 주요 후보 중 하나인 인듐과 망간이 혼합된 팔라듐은 매우 뛰어난 내구성을 보여주었습니다.

연구진이 가장 우수한 후보들을 강산 용액에서 장기 테스트에 투입했을 때, 결과는 놀라웠습니다. 표준 팔듐 산화물 촉매는 약 200시간 가동 후 퇴화하기 시작한 반면, 현재 업계 표준인 루테늄 벤치마크는 615시간째에 박막의 박리(delamination)와 함께 과전압이 급격히 증가했습니다. 니켈과 탄탈룸이 혼합된 새로운 팔듐 기반 촉매는 표준 팔듐 버전을 거의 두 배 더 오래 지속하며, 약 470시간 동안 성능 저하 없이 작동했습니다. 그룹의 챔피언인 인듐-망간-팔듐 혼합물은 실패 없이 1,000시간 이상 성능을 유지했습니다. 이 연장된 기간 동안, 이 촉的是 산소를 생산하는 데 필요한 에너지를 낮게 유지하며 재료가 일반적으로 분해되기 시작하는 임계값보다 훨씬 낮은 수준을 유지했습니다. 이러한 인내력은 단순히 재료가 강해서만이 아니었습니다. 연구진은 촉매가 작동 중에 물리적으로 형태가 변한다는 것을 발견했습니다. 현미경 관찰 결과, 성공적인 촉매의 표면에는 작업 중에 자연스럽게 형성된 독특한 바늘 모양의 나노 구조가 발달했습니다. 이 구조는 밑바탕이 되는 금속을 부식으로부터 보호하는 동시에 화학 반응을 위한 표면 활성을 유지하는 역할을 하는 것으로 보였습니다.

이 발견은 해당 분야의 기존 가설에 도전합니다. 오랫동안 과학자들은 순수한 팔듐 산화물이 이 특정 작업에 적합하지 않다고 믿었는데, 이는 산성에서 너무 비활성이거나 불안정하다고 생각되었기 때문입니다. 기존의 통념은 연구자들이 다른 금속을 찾아야 한다고 제안했습니다. 그러나 AI 시스템은 이러한 오래된 규칙에 의존하지 않았습니다. 데이터 자체를 편향 없이 탐색함으로써, 팔듐에 특정 원소를 소량 첨가하는 것이 누구도 예측하지 못한 수준의 안정성과 활성을 끌어낼 수 있음을 발견했습니다. 또한 시스템은 유연하고 적응적인 접근 방식이 경직되고 계획된 방법보다 우월하다는 것을 입증했습니다. 연구진이 AI 기반 전략을 고정된 알고리즘 및 기존 과학 지식에 의존하는 거대 언어 모델과 비교했을 때, 적응형 시스템이 최적의 솔루션을 더 빠르게 찾아냈으며 더 적은 시도로 새로운 팔듐 계열을 발견했습니다. 고정된 알고리즘은 알려진 영역만을 탐색하다 정체되는 경향이 있었고, 실시간 실험 데이터로부터 학습하는 능력이 부족한 언어 모델은 유망한 신소재를 식별하는 데 실패했습니다.

이 연구가 수소 생산 문제를 완전히 해결했다고 주장하는 것은 아니지만, 중요한 진전을 의미합니다. 팔듐은 여전히 귀한 금속이지만, 이리듐보다 훨씬 더 구하기 쉬우며 공급망이 더 다각화되어 있고 갑작스러운 부족에 덜 취약합니다. 팔듐 기반 촉매를 사용하는 능력은 더욱 풍부한 비귀금속 대안을 찾는 과정 동안 글로벌 자원에 대한 압박을 완화할 수 있습니다. 연구진은 진정한 돌파구가 발견된 특정 재료 자체가 아니라, 그 재료를 찾아낸 방법에 있다고 강조합니다. 인공지능과 고처리량 실험을 통합함으로써, 그들은 인간 전문가가 간과할 수 있는 비자명한 해결책을 찾아낼 수 있는 시스템을 구축했습니다. 이 플랫폼은 기계가 재료 과학의 복잡한 절충안을 탐색하는 법을 배울 수 있음을 성공적으로 입증했으며, 가혹한 조건에서도 견딜 수 있는 내구성이 높고 효율적인 촉매를 식별해 냈습니다. 최적의 촉매 표면에 형성된 바늘 모양의 구조는, 더 나은 재료를 향한 길이 단순히 새 제품일 때의 모습이 아니라 사용 중 어떻게 변화하는지를 설계하는 데 달려 있을 수 있음을 시사합니다. 연구팀은 향 since 앞으로 동일한 자동화 접근 방식을 사용하여 더 넓은 범위의 재료를 탐색하고, 글로벌 에너지 전환을 위해 효과적일 뿐만 아니라 지속 가능하고 확장 가능한 솔루션을 찾는 것을 목표로 하고 있습니다.