공극 내 공액 혼합물의 선택적 흡착을 좌우하는 부피와 표면 열역학

초록

본 연구는 머신러닝 기반 고전 밀도 함수 이론(ML‑enhanced cDFT)을 이용해, 아제오트로프를 보이는 이진 Lennard‑Jones 혼합물의 부피·표면 열역학이 슬릿 공극 내 흡착 선택성에 미치는 영향을 체계적으로 조사한다. 동일한 벽‑유체 상호작용을 가정할 때, 아제오트로프 조성에서 흡착 선택성이 완전히 사라짐을 발견하고, 이는 초임계 상태에서도 유지됨을 보고한다. 또한 아제오트로프 조성이 부분 몰 부피가 동일하고 등온 압축률의 극값과 일치한다는 새로운 열역학적 연관성을 제시한다.

상세 분석

이 논문은 두 가지 혁신적인 방법론을 결합한다. 첫 번째는 “train‑once, learn‑many” 전략으로, 단일 성분의 반발성 기준계에 대해 신경망 기반 자유에너지 함수를 학습하고, 이를 평균장(mean‑field) 방식으로 끌어당김 상호작용에 적용한다. 이렇게 하면 이미 정확히 알려진 방정식 상태(EoS)를 이용해 부피 열역학을 정확히 재현하면서, 복잡한 혼합물의 비균질 구조만을 신경망이 담당하게 된다. 두 번째는 하이퍼‑DFT(hyper‑DFT) 프레임워크를 이용해, 외부 포텐셜과 평균장 포텐셜을 명시적으로 분리함으로써, bulk와 confinement 효과를 독립적으로 조정할 수 있게 만든 점이다.

연구 대상은 동일한 입자 직경을 갖지만 상호작용 강도가 서로 다른 A, B 두 성분으로 구성된 이진 LJ 혼합물이다. 파라미터(εAA=ε, εBB=0.9ε, εAB=0.806ε)와 절단 반경 rc=2.5σ을 사용했으며, kBT/ε=0.77에서 양의 아제오트로프(xB≈0.67, P≈0.0248ε/σ³)가 존재한다는 기존 문헌을 재현한다. 하이퍼‑DFT는 WCA 반발 기준계와 평균장 항을 결합해 자유에너지 함수를 구성하고, 신경망은 GCMC 시뮬레이션으로부터 얻은 1‑체 직접 상관함수 c^(1) 를 학습한다. 학습된 신경망은 다양한 외부 포텐셜과 화학 퍼텐셜 조합에 대해 즉시 적용 가능하므로, 슬릿 공극(두 개의 평면벽) 내에서의 밀도 프로파일과 흡착량을 빠르게 계산한다.

검증 결과, 신경망‑cDFT는 GCMC와 거의 일치하는 압축성, 캡릴러리티, 그리고 상전이 곡선을 재현한다. 특히, 벽‑유체 상호작용이 A와 B에 동일할 때, 아제오트로프 조성에서 두 성분의 흡착량이 정확히 동일해 선택성이 0이 된다. 이 현상은 액체‑기체 공존선에서 멀리 떨어진 초임계 영역까지 지속되며, 이는 부피 열역학적 특성(부분 몰 부피 동일, 등온 압축률 극값)과 직접 연결된다. 저자들은 또한 인터페이스 자유에너지의 극값이 “aneotrope”(상대 흡착이 0인 점)와 일치함을 보여, 표면 자유에너지 변화가 선택성 결정에 핵심 역할을 함을 밝혀냈다.

또한, 슬릿 간격을 매우 작게(수 σ 수준) 줄여도 두 면이 독립적으로 작동한다는 흥미로운 결과를 보고한다. 이는 좁은 나노공극에서도 각 면이 개별적인 평형을 유지한다는 의미이며, 실험적 나노포러스 매체 설계에 중요한 시사점을 제공한다. 전반적으로, 부피와 표면 열역학을 명확히 분리하고, 머신러닝 기반 자유에너지 함수를 효율적으로 활용함으로써, 복잡한 혼합물의 흡착 선택성을 예측·제어하는 새로운 계산적 도구를 제시한다.