AI 기반 촉매 유전자 탐색으로 CO₂ 활성화 설계 혁신

초록

본 연구는 인공지능 서브그룹 디스커버리 기법을 활용해 산화물 반도체 표면에서 CO₂ 활성화에 기여하는 촉매 “유전자”(특징)를 식별한다. 첫 원리 계산 데이터로 학습한 모델은 C–O 결합 연장과 OCO 각도 감소를 동시에 만족하는 특성 조합을 찾아내며, 사바티에 원칙을 고려한 최적 촉매 후보를 제시한다.

상세 분석

이 논문은 촉매 설계의 핵심 난제인 구조‑특성 관계를 고차원 데이터에서 효율적으로 추출하기 위해 서브그룹 디스커버리(subgroup discovery, SGD)라는 AI 기법을 적용했다. SGD는 전체 데이터 집합 중에서 목표 변수(여기서는 CO₂ 활성화 지표)와 강한 상관관계를 보이는 부분집합을 자동으로 탐색한다. 연구팀은 다양한 전이금속·알루미늄·티타늄·지르코늄 기반 산화물 표면에 대한 DFT 계산을 수행해, C–O 결합 길이, OCO 각도, 전자밀도, 표면 전하, 밴드갭, 결합에너지 등 30여 개의 후보 특성을 수집했다. 이 중에서 특히 C–O 결합 연장(>1.20 Å)과 OCO 각도 감소(<150°)가 CO₂ 활성화에 핵심적인 물리적 지표임을 확인하고, 이를 “촉매 유전자”라 명명했다.

AI 모델은 이러한 유전자를 조합하는 규칙을 도출했는데, 예를 들어 “표면 전하가 양(+)이며, 금속‑산소 결합 에너지가 중간 수준(−2 eV ~ −3 eV)이고, 밴드갭이 2–3 eV인 경우”가 가장 높은 활성화 점수를 얻었다. 흥미롭게도, 이 규칙은 기존 실험적으로 검증된 좋은 촉매(예: TiO₂(110), CeO₂(111))와 일치했으며, 동시에 사바티에 원칙(흡착 에너지와 반응성 사이의 최적 균형)을 만족하도록 제한을 두었다. 최종적으로 모델은 기존에 연구되지 않은 ZnO·Fe₂O₃ 복합체, SrTiO₃ 도핑 변형체 등 7개의 신규 후보를 제시했으며, 이들에 대한 예비 DFT 검증에서도 목표 지표가 크게 개선된 것을 확인했다.

이러한 접근은 전통적인 경험적 설계와 달리, 데이터‑구동형 규칙을 통해 촉매 설계 공간을 효율적으로 축소하고, 실험적 검증 비용을 크게 절감할 수 있음을 보여준다. 또한, “촉매 유전자”라는 개념은 다른 반응계(예: N₂ 환원, 물 분해)에도 일반화 가능해, 미래 촉매 과학의 메타‑모델링에 중요한 토대를 제공한다.