▲ 1) 경계조건 (Boundary Condition, BC) 으로부터 촉매의 선택성을 구분하는 3차원 선택성 지도. 2) 선택성 지도를 통한 다양한 고유 촉매 표면의 선택성 예측. 3) 465가지 원소 조합의 선택성과 활성 예측 히트맵.

화공생명공학과 백서인 교수 연구팀이 인공지능을 통해 높은 활성과 선택성의 이산화탄소 전기환원 촉매를 개발하는 방법론을 제시하였다. 해당 연구 성과는 국제 저명 학술지인 Nature Communications에 게재되었다.

현재 세계적으로 지구 온난화에 의한 기후 변화 문제가 대두되고, 이에 따라 온난화의 주 원인으로 지목된 이산화탄소를 감축하려는 시도가 계속되고 있다. 그중 이산화탄소 전기환원 반응 (CO2 Reduction Reaction, CO2RR)은 이산화탄소를 공업 분야에서 부가가치가 높은 화합물로 변환할 수 있다. 다만 안정한 분자구조의 이산화탄소를 다른 화합물로 전환하기 위해서는 전기화학적 과전압이 인가되어야 한다. 또한, 복잡한 반응경로로 인해 다양한 화합물이 만들어지고 경쟁 반응인 수소 생산 반응도 동시에 일어나므로 이산화탄소로부터 원하는 화합물을 선택적으로 생성하기 매우 어렵다.

따라서 과전압을 낮추고, 반응경로를 제어해 원하는 화합물을 생산하는 고활성, 고선택성의 전기화학 촉매를 탐색하는 것이 중요하다. 현재까지 시뮬레이션과 실험을 통해 다양한 이산화탄소 전기환원 촉매들이 제시되었으나, 최근에는 탐색에 드는 비용과 시간을 줄이기 위해 인공지능을 활용하는 연구들이 많이 발표되고 있다. 하지만 대부분의 인공지능 기반 촉매 탐색 연구는 촉매를 탐색하는 화학 공간의 범위가 좁고, 이산화탄소 환원 반응의 다양한 반응경로와 생성물을 고려하지 않아 인공지능을 통해 발견한 촉매가 실제로 검증되어 사용되는 경우는 매우 드물었다.

이에 백서인 교수 연구팀은 탐색할 화학 공간을 확장하고, 촉매의 활성과 선택성을 동시에 예측하는 시뮬레이션-인공지능 방법론을 개발하였다. 본 방법론은 한정된 구조에서의 흡착에너지 계산을 통해 촉매 활성을 예측하는 기존 방법론과 달리, 인공지능 기법을 통해 5,000개 넘는 고유한 촉매 표면 구조를 생성하여 흡착에너지를 예측하였다. 예측된 흡착에너지는 특정 전압에서 촉매의 반응경로와 생성물 선택성을 결정하는 선택성 지도(Selectivity Map)를 활용하여 이산화탄소 전기환원의 4가지 대표적인 생성물에 대한 활성, 선택성을 예측하였다.

▲ Cu-Pd, Cu-Ga 합금 촉매에 대한 인공지능 예측 결과 (위)와 실험 결과 (아래) 

새롭게 개발한 방법론을 이용해 465개의 원소 조합에 대한 활성과 선택성을 예측하였고, 그중 Cu-Pd과 Cu-Ga 합금 촉매를 각각 C1 이상의 화합물 (C2H4 등)과 포름산 생산에 유리한 촉매로 제시하였으며, 상하이교통대학교의 Kun Jiang 교수 연구팀에서 실험검증을 수행하였다. 실험 결과, 두 촉매의 선택성과 활성이 인공지능 예측 결과와 일치하여 본 연구팀이 제시한 방법론이 실제로 유망한 촉매를 제시할 수 있음을 보여주었다.

본 연구에서 개발한 방법론은 촉매 개발에 필요한 시행착오 횟수를 줄일 수 있어 다양한 반응에 필요한 촉매를 효율적으로 개발할 수 있을 것으로 기대된다.

이번 연구 성과는 한국연구재단이 추진하는 C1가스리파이너리사업과 산업통상자원부가 추진하는 탄소중립기술개발사업, 그리고 KISTI 슈퍼컴퓨팅센터의 지원을 통해 수행되었다.

▶ 논문 제목: “Data-driven discovery of electrocatalysts for CO2 reduction using active motifs-based machine learning”

▶ 논문 링크: https://doi.org/10.1038/s41467-023-43118-0

▶ 연구실 홈페이지: https://seoinback.com