일반적으로 수소차에 사용되는 양성자 교환막 수소연료전지(PEMFC)는 양극에서 산소 환원 반응이 잘 일어나도록 값비싼 백금 촉매를 사용한다. 

백금보다 더 효율적이고, 경제적인 촉매 소재를 개발하기 위해서 탐색해야 하는 원소의 조합과 조성이 방대해 이 순간에도 연구자들은 실험실에서 수많은 시행착오를 거치고 있다.

여기에, 한국과학기술연구원(KIST, 원장 윤석진) 계산과학연구센터 김동훈 박사, 한상수 박사와 물질구조제어연구센터 김종민 박사, KAIST(총장 이광형) 신소재공학과 이혁모 교수 공동연구팀이 새로운 인공지능(AI) 기반 촉매 선별 방법론을 제시하고, 이를 통해 순수 백금 촉매보다 더 값싸고, 2배 이상 높은 성능의 삼원소계 합금(Cu-Au-Pt) 신규 촉매 소재 개발에 성공했다.

공동연구팀은 촉매 표면에서 흡착 물질이 결합하는 에너지를 정확하게 예측하기 위해 SGCNN(촉매구조 그래프 합성곱 신경망) 인공지능 모델을 개발했다. 소재 탐색에 인공지능을 적용한 사례가 처음은 아니다. SGCNN 모델은 고체 소재의 벌크(bulk) 물성 예측에 특화된 CGCNN(결정 그래프 합성곱 신경망) 모델을 촉매 소재의 표면 물성 예측이 가능하도록 발전시킨 것이다.

그런데 벌크 물성과 표면 물성을 예측하는 것의 차이는 크다. 촉매의 표면 물성을 빠르고 정확히 예측할 수 있으면 이를 바탕으로 소재의 안정성, 성능, 비용의 3요소를 모두 충족하는 촉매를 더욱 효율적으로 선별할 수 있다. 

실제로 해당 방법론으로 연료전지 양극반응 촉매를 개발했을 때 약 3,200개의 삼원소계 후보 소재들의 가능성을 단 하루 만에 탐색할 수 있었는데. 이것은 기존에 촉매 물성 예측에 사용되던 밀도범함수이론(DFT)을 이용한 흡착에너지 시뮬레이션 계산법으로는 수년이 소요되던 규모다.

연구진은 약 3,200개의 후보 소재 가운데 백금 촉매를 능가할 가능성이 있는 10개의 촉매에 대한 실험검증을 통해 삼원소계(Cu-Au-Pt) 신규 합금촉매를 개발했다. 이 촉매는 순수 백금촉매 대비 백금 원소를 37%만 사용하지만, 반응전류밀도(kinetic current density)는 순수 백금 촉매보다 2배 이상 높게 나오는 고성능을 보였다. 또한 해당 촉매는 안정성 테스트를 5,000회 거친 후에도 성능 열화가 거의 일어나지 않는 훌륭한 내구성을 보였다.

KIST 김동훈 박사는 “향후 양질의 흡착에너지 데이터를 지속해서 구축해 더욱 정교한 인공지능 모델링을 수행할 계획이며, 이는 촉매 소재 개발의 성공률을 더욱 향상시킬 것”이라고 기대했다. 이번에 개발된 방법론은 수소 연료전지용 촉매뿐만 아니라 수소경제 실현에 필수적인 수전해 기반 수소 생산과 같은 다양한 촉매 반응에도 즉각 적용할 수 있다는 장점을 갖고 있다. 연구팀은 소재 및 시스템 최적화를 통해 개발된 촉매의 단가를 더 낮추고, 성능을 향상시킬 계획이다.

한편, 이번 연구성과는 삼성전자 삼성미래기술육성사업 및 과학기술정보통신부의 소재연구데이터플랫폼사업 지원으로 수행되었으며, 한국에너지기술연구원 박영태 박사후 연구원과 한국과학기술연구원 물질구조제어연구센터 황창규 연수생 (고려대학교 박사과정 학생)이 공동 제1저자로 참여하여 국제 학술지 Applied Catalysis B: Environmental에 '연료 전지를 위한 방대한 삼원계 합금 공간에서 효율적인 전기 촉매를 걸러내는 머신러닝(Machine learning filters out efficient electrocatalysts in the massive ternary alloy space for fuel cells-(아래 논문 첨부)'란 제목으로 지난 7월 24일 게재됐다.