고활성 수소발생촉매 4종을 성공적으로 스크리닝했습니다! 중국과 미국 연구팀은 능동 학습을 사용하여 14,000개의 고엔트로피 산화물을 식별하기 위해 힘을 합쳤습니다.
최근 몇 년 동안, 고엔트로피 소재(HEM)는 재료 설계 및 기능 제어 분야에서 큰 잠재력을 보여주었습니다. 안에,고엔트로피 산화물(HEO)은 풍부한 활성 부위, 조절 가능한 비표면적, 안정적인 결정 구조, 독특한 기하학적 호환성 및 전자 구조로 인해 화학 촉매 분야에서 폭넓은 응용 전망을 보여줍니다.
구체적으로, HEO는 5개 이상의 주요 원소가 등몰 비율 또는 거의 등몰 비율로 구성됩니다. 기존의 HEO 연구 개발은 한편으로는 광대한 구성 공간을 탐색해야 하고, 다른 한편으로는 시간과 노동 집약적인 실험실에서의 시행착오에 의존합니다. 머신 러닝은 복잡한 구조-성능 관계를 포착하여 광대한 촉매 공간을 효율적으로 탐색하고 성능이 가장 좋은 촉매를 식별할 수 있습니다.
그러나 데이터베이스의 한계와 연구자들의 샘플 선택의 주관성으로 인해 구조-속성 관계를 직접적으로 예측하는 것은 여전히 어려운 일입니다. 최근 몇 년 동안,능동 학습(AL)은 화학 공간을 효율적으로 탐색하는 중요한 도구로서 기능성 소재와 약물 개발 분야에서 널리 사용되어 왔습니다.
이러한 맥락에서,청화대학교 화학과의 왕쉰(Wang Xun) 팀, 상하이 교통대학교 화학과의 우량(Wu Liang), 중국과학원 고에너지물리학연구소의 추성치(Chu Shengqi), 퍼듀대학교 수학과의 린광(Lin Guang), 듀크대학교 생명공학과의 샹얀(Xiang Yan)고엔트로피 스피넬 산화물(HESO)을 발견하기 위한 능동 학습 프레임워크를 제안하고, 제한된 실험 데이터로 HEO의 광대한 구성 공간을 탐색하는 데 있어 이 프레임워크의 효율성을 입증합니다.
연구진은 여러 차례의 반복을 거쳐 광범위한 화학 분야에서 가장 유망한 HESO를 성공적으로 찾아냈습니다.300°C의 수성가스 전환 반응에서 우수한 수소 생산 성능(251 μmol gcat⁻¹ min⁻¹)을 나타내며, 최대 120시간 동안 지속되는 시험에서 우수한 안정성을 보였습니다. 관련 연구는 "높은 H2 생산을 특징으로 하는 고엔트로피 산화물의 능동 학습 기반 발견"이라는 제목으로 미국 화학회 저널에 게재되었습니다.
연구 하이라이트:
* 본 연구에서는 HEO의 광대한 구성 공간을 효율적으로 탐색하기 위해 "훈련, 예측 및 실험" 단계를 반복하는 폐쇄 루프 시스템으로 작동하는 능동 학습(AL) 전략을 제안합니다.
* 연구진은 여러 차례의 능동 학습 반복을 통해 다양한 잠재적 조합 중에서 4개의 새로운 HEO를 성공적으로 선별했습니다. 이러한 새로운 물질은 뛰어난 안정성을 보였고, 수성가스 전환 반응에서 뛰어난 수소 생산 성능을 보였습니다.
* CrMnCoNiCu 촉매가 성공적으로 제조되었으며, 이는 제안된 방법이 우수한 재현성과 확장성 잠재력을 가지고 있음을 나타냅니다.
서류 주소:
https://pubs.acs.org/doi/10.1021/jacs.4c06272
오픈소스 프로젝트인 "awesome-ai4s"는 100개가 넘는 AI4S 논문 해석을 모아 방대한 데이터 세트와 도구를 제공합니다.
https://github.com/hyperai/awesome-ai4s
데이터 세트: 다양한 초기 데이터 세트
AL은 프로세스를 시작하기 위해 특정 초기 교육 데이터 세트가 필요하며, 데이터 세트가 제한적인 경우 머신 러닝 모델은 다양한 데이터 세트에서 이점을 얻을 수 있습니다.
연구의 초기 단계에서 연구진은 14가지 전이 금속을 포함하는 추가 라이브러리를 구축했습니다. 이론상으로는 사면체와 팔면체의 배위 중심 위치는 5~10개의 금속 원소를 수용할 수 있으며 등몰 비율로 분포됩니다. 따라서 잠재적인 HESO 후보자의 총 수는 14,443명으로, 이는 연구 대상에 대한 촉매 공간을 구성합니다. 연구진은 Kennard-Stone 알고리즘을 사용하여 305개 데이터 포인트를 샘플링한 다음, 이를 합성하여 결정상에 따라 특성화했습니다(아래 표 참조).
또한 연구진은 예비 작업 중에 수집한 209개의 추가 샘플을 결합하여 514개 데이터 포인트의 다양한 초기 데이터 세트를 얻었습니다.이 초기 데이터 세트에서 단상 샘플은 105개에 불과하며, 그 중 55개 샘플은 KS 세트에서 가져온 것이고 50개 샘플은 기타 세트에서 가져온 것입니다. 그리고 T90(수성 가스 전환 반응에서 일산화탄소의 90% 전환을 달성하는 데 필요한 온도)은 334~800°C 범위입니다.
모델 아키텍처: 학습-예측-실험 주기를 구현하기 위한 능동 학습
본 연구에서는 탐색 기반의 능동 학습 방법을 사용하여 고엔트로피 스피넬 산화물의 촉매 공간을 탐색하고 높은 수소 생산 특성을 가진 고엔트로피 산화물을 걸러냅니다.능동 학습 프레임워크에는 여러 가지 "훈련-예측-실험" 주기가 포함되어 있습니다.워크플로는 다음 그림과 같습니다.
처음에 연구자들은 훈련을 위한 대표 하위 집합을 선택하기 위해 케나드-스톤 샘플링 방법을 사용했습니다. 이 샘플링 방법은 대표 하위 집합이 전체 데이터 세트에 균등하게 분포되도록 보장합니다. 이 과정은 촉매 공간 전체에 걸쳐 머신 러닝 모델의 예측 정확성을 보장하기 때문에 중요합니다. 그렇지 않으면 AL이 편향되어 좁은 영역만 탐색하게 될 수 있습니다.
이후, 선택된 샘플의 순도와 촉매 활성을 실험적으로 결정했습니다. X선 회절(XRD) 테스트는 샘플이 단일상 구조를 가지고 있는지 평가하는 데 사용되었습니다. 촉매 활성은 T90을 측정하여 평가하였다.
각 반복에서 HESO의 상 순도는 XGBoost 분류기를 사용하여 예측되었으며, 순도 분류기가 예측한 50%보다 높은 확률을 갖는 샘플만 고려되었으며, 촉매 활성은 XGBoost 회귀기를 사용하여 예측되었습니다. 그런 다음, 상이 순수하고 촉매 활성이 가장 높을 것으로 예측되는 샘플(T90 값이 가장 낮은 상위 5개 샘플)을 실험에 선택하고, 실험 데이터를 다음 반복의 훈련 세트에 통합했습니다.이러한 반복적인 순환은 촉매 활성이 높은 촉매를 찾을 수 없을 때까지 계속됩니다.
이런 방식으로 연구진은 물-가스 전환 반응에서 기존 촉매보다 훨씬 빠른 속도로 수소를 생산하는 고성능 HEO를 효율적으로 선별할 수 있었습니다.
연구 결과: 우수한 성능을 가진 4가지 HESOs 촉매가 선별됨
실험에서 연구진은 X선 회절(XRD) 패턴을 Ω 값이라고 불리는 설명자로 사용하여 스피넬 상의 순도를 평가했습니다. 수성가스 전환 반응에서 T90은 선택된 HESO의 촉매 활성을 특성화하기 위한 기술자로 사용되었습니다. T90 값이 낮을수록 선택된 HESO의 활동 수준이 높습니다.
① 능동학습을 통한 HESOs 발견 능력 검증
연구진은 4라운드의 AL 반복을 수행하여 각 라운드에서 5개의 샘플을 선택했습니다. 결과는 아래 그림과 같습니다.
(a) 촉매 공간의 주성분 분석, 데이터를 2차원 평면에 투영합니다. 각 점은 샘플을 나타내고, 회색 배경은 전체 데이터 공간을 나타내며, 색상이 있는 점은 AL이 선택한 초기 데이터 세트 또는 샘플을 나타냅니다.
(b) 샘플의 스피넬상 순도
(c) 샘플의 T90 값
(d) AL이 선정한 샘플의 구성
AL이 선정한 20개 시료 중 단일상이 아닌 시료는 발견되지 않았으며, 불순물 함량은 0%였다. 이는 불순물 비율이 최대 84%인 초기 데이터 세트와는 극명한 대조를 이룹니다. 그림 1(b)에서 볼 수 있듯이 불순물의 감소는 제안된 AL 방법이 순수한 샘플을 식별하는 데 효과적임을 보여줍니다. 또한, AL이 선정한 시료의 T90값은 357±32℃로 초기 자료의 T90값(513±66℃)보다 현저히 낮다. 이 결과는 다음을 나타냅니다.제안된 AL 알고리즘은 촉매 활성이 더 높은 HESO를 효율적으로 찾을 수 있다.
위의 그림(c)에서 볼 수 있듯이, AL은 또한 각각 311°C, 307°C, 323°C 및 312°C의 T90 값을 갖는 4개의 샘플(A1.1, A1.2, A2.4 및 A3.2)을 발견했는데, 이는 모두 초기 데이터 세트에서 가장 낮은 T90 값(334°C)보다 낮습니다. 이는 이 연구에서 제안된 AL 워크플로의 효과성을 입증하며, 연구자들이 이상적인 특성을 지닌 새로운 HESO 촉매를 효율적으로 식별할 수 있도록 해줍니다.
② AL 선별 시료의 촉매 활성 검증
수성가스 전환반응(WGS)은 산업적으로 매우 중요한 반응으로, 주로 암모니아, 메탄올 합성, 연료 전지의 응용 분야 요건을 충족하는 고순도 수소를 생산하는 데 사용됩니다. 연구진은 AL에서 선택한 샘플의 촉매 활성을 테스트하기 전에 4개 샘플의 결정 구조를 분석했습니다.
(Cr0.2Mn0.2Co0.2Ni0.2 Cu0.2)Al2O4, CrMnCoNiCu로 표기
(Cr0.2Mn0.2Ni0.2Cu0.2Zn0.2)Al2O4, CrMnNiCuZn으로 표기
(Al1/7Cr1/7Mn1/7Co1/7Ni1/7Cu1/7Zn1/7)Al2O4는 AlCrMnCoNiCuZn으로 표기됩니다.
(Cr1/7Mn1/7Fe1/7Co1/7Ni1/7Cu1/7Zn1/7)Al2O4는 CrMnFeCoNiCuZn으로 표기됩니다.
기존 합성 방법의 확장성 잠재력을 평가하려면연구진은 500mL 스케일업 도가니와 동일한 머플로를 사용해 단일 배치로 20g의 CrMnCoNiCu 촉매를 성공적으로 합성했습니다. 아래 그림에서 보듯이, 대량으로 합성된 촉매는 여전히 양호한 단일상 스피넬 구조를 유지하고 있으며, 이는 본 연구에서 채택한 방법이 우수한 재현성과 확장성 잠재력을 가지고 있음을 나타냅니다.
XRD 시험에서 CrMnCoNiCu 대형 촉매의 스캐닝 속도는 0.02°이고, 단계별 계산 시간은 2초였습니다.
연구진은 아래와 같이 AL이 선택한 4가지 HESO 촉매의 촉매 활성을 테스트했습니다.
(a) CO 전환율
(b) H2 생성 속도
반응 조건: 공간 속도(WHSV) = 200,000mL/(h·gcat); 공급가스 : 1.8% CO 및 2.5% H2O, 불활성가스는 Ar
위의 그림(a)에서 볼 수 있듯이, 모든 샘플의 촉매 활성은 예측된 T90 값과 일치할 뿐만 아니라 가장 좋은 스크리닝 활성도 나타냈습니다. 예를 들어, ML은 CrMnCoNiCu 샘플의 T90을 311°C로 예측하지만, 실제로 측정된 T90은 310°C입니다.
더 중요한 것은,전통적으로 설계된 촉매인 CZA와 Fe/Cr과 비교했을 때, ML로 선별한 샘플은 더 높은 촉매 활성을 보였습니다.예를 들어, 동일한 반응 조건에서 CrMnCoNiCu 샘플의 수소 수율은 135 μmol gcat⁻¹ min⁻¹로, 아래 그림에서 볼 수 있듯이 Fe/Cr의 15 μmol gcat⁻¹ min⁻¹ 및 CZA의 81 μmol gcat⁻¹ min⁻¹보다 상당히 높습니다.또한, 추가적인 안정성 시험 결과, T90 조건에서 CrMnCoNiCu 및 CrMnFeCoNiCuZn 샘플은 안정성이 우수하고 수소 생산에서 높은 활성을 유지하는 것으로 나타났습니다.
연구진은 여러 차례의 반복 실험을 거쳐 광범위한 화학 공간에서 가장 유망한 HESO를 성공적으로 찾아냈습니다. 이 HESO는 300°C에서 수성가스 전환 반응에서 뛰어난 수소 생산 성능(251 μmol gcat⁻¹ min⁻¹)을 보였으며, 최대 120시간 동안 지속되는 테스트에서도 뛰어난 안정성을 보였습니다.
요약하자면, 연구진은 14,443개의 후보 샘플에서 고효율 고엔트로피 MgAl2O4 4개를 선별했습니다. 스피넬 촉매의 종류.
AI는 고엔트로피 소재 연구 개발에 강력한 혁신력을 불어넣습니다.
21세기에 가장 인기 있는 소재는 무엇이냐고 묻는다면? 그러면 고엔트로피 물질은 자리를 차지해야 하는데, 이는 주로 HEA(고엔트로피 합금)와 HEO(고엔트로피 산화물)라는 두 가지 범주로 표현됩니다.
그 중 고엔트로피 합금은 고강도, 고경도, 내식성, 내마모성, 고온 저항성, 방사선 저항성 및 연자성 등의 장점을 가지고 있으며, 넓은 응용 전망을 가지고 있습니다. 예를 들어, 이들의 우수한 내화성으로 인해 터빈 블레이드 재료, 용접 재료, 열교환기 재료, 고온로용 내화 재료, 항공우주 재료 등으로 사용하기에 적합합니다.
고엔트로피 합금은 뛰어난 특성을 가지고 있지만, 새로운 고엔트로피 합금 성분을 발견하는 것은 여전히 어려운 연구 과제로 남아 있습니다. 고엔트로피 합금의 원소 구성은 특정 범위 내에서 제어되어야 합니다. 과도하거나 부족한 원소는 합금 성능 저하로 이어질 수 있습니다. 동시에, 고엔트로피 합금의 다양한 원소 조성은 비선형 효과를 생성할 수 있으며, 전통적인 실험 방법을 통해 그 성능을 정확하게 예측하는 것은 어렵습니다. 이러한 맥락에서 머신러닝과 같은 AI 기술을 활용하면 고엔트로피 합금의 연구 개발을 보다 빠르고 편리하게 완료할 수 있습니다.
얼마 전, 베이징 과학기술대학의 수얀징 팀은 ML, 유전자 검색, 클러스터 분석, 실험 피드백을 결합한 다목적 최적화(MOO) 프레임워크를 설계했습니다.그리고 내화성 고엔트로피 합금(RHEA)의 구성 공간을 목표로 하여 최적의 고온 강도와 상온 연성을 갖춘 합금을 찾고 있습니다. 구체적으로 연구팀은 24개의 RHEA를 합성하고 ZrNbMoHfTa 합금이 고온 응용 분야에 잠재력이 있음을 확인했습니다. 그 중 Zr0.13Nb0.27Mo0.26Hf0.13Ta0.21 합금은 1200℃에서 항복 강도가 약 940MPa, 상온 파괴 변형률이 17.2%로 우수한 기계적 강도를 나타냈다. 이 합금의 뛰어난 내열성과 우수한 구조적 안정성은 고온에서 구조적 응용이 가능하다는 것을 보여주며, 실온에서의 연성은 합금의 가공 특성을 향상시킵니다.
이제 고엔트로피 산화물을 살펴보겠습니다. HEO 촉매는 원소 구성이 너무나 다양하기 때문에 시행착오를 거쳐 발견하는 것은 극히 어렵습니다. 이번 10월닝샤대학 화학 및 화학공학부의 장펑페이 연구 그룹은 고엔트로피 산화물 촉매의 기계 학습 스크리닝 연구에서 진전을 이루었습니다.연구팀은 부정적인 데이터를 검색하고, 더 나은 성능을 보이는 촉매를 찾기 위해 적절한 훈련 데이터를 선택하여 고품질 회귀 모델을 구축했습니다. 최종적으로 우수한 황 및 내수성, 장기 안정성(>7000시간, T(90)=345°C)을 갖는 비전통 촉매 Ni0.04Co0.48Zn0.36V0.12Cr2Ox가 선별되었다.
관련 연구는 "촉매 산화를 위한 엔트로피 안정화 산화물 촉매의 머신 러닝 가속 발견"이라는 제목으로 JACS에 게재되었습니다.
인공지능 기술은 분명히 고엔트로피 합금의 개발에 강력한 혁신적 추진력을 불어넣었고, 앞으로 에너지, 환경 보호, 신소재 등의 분야에서 더욱 널리 활용될 것으로 기대됩니다.
참고문헌:
1.https://pubs.acs.org/doi/10.1021/jacs.4c06272
2.https://www.mip1953.com/newsinfo/6451538.html