Electrochemical reduction processes have gained prominence as versatile and sustainable approaches for converting source chemical compounds into valuable products. This process provides distinct advantages, including mild operating conditions, scalability, and compatibility with renewable energy sources. To design advanced electrocatalysts, surface decoration and alloying have been adopted to introduce new active sites to the catalysts and modulate their chemical properties. However, the extensive range of possible element combinations and the associated costs of synthesizing and characterizing these complex materials present challenges for the active discovery of new catalysts. In this work, machine learning and density functional theory (DFT) calculation approaches were employed to design effective electrocatalysts. For example, DFT calculations demonstrated that the surface decoration of Cu2O by the Pd cluster enhanced the activity and selectivity of the catalysts for nitrate reduction reaction (NO3RR) to produce NH3. Additionally, the effect of alloying was investigated by alloying five noble metal elements. Using a machine learning model trained on DFT-calculated data to predict adsorption energy, three high entropy alloys (HEA), IrNiPdPtRh, AgIrPdPtRh, and IrPdPtRhRu, were identified to have carbon dioxide reduction reaction (CO2RR) activity and selectivity better than Cu catalyst. These results provide a proof-of-concept for the efficacy of the two design strategies, highlighting the potential for accelerated catalyst design with machine learning and DFT calculation approach.
전기화학적 환원 공정은 원천 화합물을 가치 있는 화합물로 변환하기위한 지속가능한 방식으로, 공정환경의 온건함, 공정규모 증축의 용이성, 그리고 재생에너지를 사용할 수 있다는 장점들이 주목받고 있다. 해당 공정의 성능을 높이기 위한 전기 촉매의 설계를 위해 표면 공정 또는 합금으로 서로 다른 금속을 촉매 표면에 도입할 수 있는데, 새로운 반응 활성 부위의 출현을 꾀하고 촉매의 화학적 특성을 조정할 수 있다. 하지만, 원소들의 가짓수가 많은데다 복잡한 촉매는 합성 및 측정 비용이 크다는 문제점을 가지고 있다. 본 학위논문에서는, 기계학습과 밀도범함수이론 계산 방법론을 활용해 위의 두 문제를 극복하고 새로운 전기 촉매를 제안하였다. 예를 들어, 밀도범함수이론을 활용하여 구리 산화물 표면에 팔라듐 클러스터로 표면을 장식함으로써 NO3- 환원반응에 대한 활성도와 선택성을 개선시킬 수 있다는 것을 보였다. 뿐만 아니라, 흡착에너지 예측모델을 밀도범함수이론 계산을 통해 얻은 데이터로 학습시켜 고엔트로피 합금의 활성도 지표를 계산했고, 3가지 종류의 고엔트로피 합금(IrNiPdPtRh, AgIrPdPtRh, IrPdPtRhRu)이 구리보다 더 높은 CO2 환원반응에 대한 활성도를 가질 것으로 예측하였다. 위의 결과들을 통해 표면 공정 및 합금을 통한 촉매 설계 전략의 유효성을 보였고, 기계학습과 밀도범함수이론 방법론이 촉매설계를 가속화할 수 있음을 보였다.