|
1. 데이터를 통한 eNRR의 경험적인 선호 메커니즘 확인: eNRR은 촉매 종류에 따라 다양한 경로로 반응이 진행된다. 따라서, 필연적으로 고비용의 계산 자원을 소모할 것이다. 만약 eNRR의 열역학적으로 선호되는 특정 반응 경로를 찾는다면 계산 비용면에서 효율적일 것이다. 이에 다양한 촉매 모델에 eNRR 계산 수행 후 생성된 데이터에서 경험적 경향을 탐색하고, 얻어진 경향성과 반응지점의 국지적 전자 구조환경을 분석해 eNRR의 메커니즘을 전형화하고자 한다.
2. Chemical Descriptor와 Universal linear scaling relation 발견: 복잡한 eNRR을 좀 더 유기적으로 이해하고 체계적으로 구성하기 위해, 본 연구에서도 eNRR의 여러 표현자와 반응중간체간 linear scaling relation 등을 발견하고자 한다. 해당 발견은 반응을 예측하는 데 있어 그 차수를 낮추고 새로운 화학적 현상을 이해할 수 있는 실마리를 제공할 것이다.
3. Feature Engineering 기반 반응 선택성과 p-band에 비선형 상관관계 연구: 수소발생반응에 수반되는 전자와 프로톤에 소모는 동일하게 전자와 프로톤을 소모하는 eNNR 반응을 방해하며, 효율적인 암모니아 생산을 방해한다. 하지만 복잡하게 작용하는 촉매 반응 속에서 해당 원리를 실험적으로 탐색하기에는 명확한 한계점이 있다. 이에 선택성(FE)과 촉매구조의 상관관계를 이론적으로 밝혀, FE가 높은 초고효율의 eNRR 촉매 개발의 기조를 다지고자 한다.
4. 지식과 데이터 융합을 통한 역추론과 Computer-aided 물질합성: 한정된 재원으로 모든 후보군을 실제로 합성하기에는 큰 어려움이 있다. 이에 이론화학과 기계학습을 활용해 방대한 후보군 물질에서 초고효율의 eNRR 촉매물질을 스크리닝하고자 한다. 수만개의 스크리닝 결과, 뛰어난 성능이 나온 촉매 구조에 대해 추가로 심도 있게 연구하고, 실험연구팀과 협력을 통해 실제 소재를 구현하고자 한다.
|
