AI+量子力学：氢能催化剂设计新思路

韩国研究团队将人工智能（AI）与量子力学计算相结合，从原子层面揭示了燃料电池催化剂性能衰退的根本原因，并提出了下一代长寿命催化剂的设计原理。

韩国研究财团宣布，国立釜庆大学徐民浩教授与韩国材料研究院崔承穆博士联合研究团队，将第一性原理计算与基于机器学习的神经网络势能相结合，开发出一套能够预测和验证铂-钴（PtCo）燃料电池催化剂活性与耐久性的"计算-实验一体化平台"。

什么是第一性原理计算和神经网络势能？

第一性原理计算，是仅依据最基础的物理定律，通过计算机预测材料性质的方法。神经网络势能（NNP），则是利用人工神经网络对原子间相互作用进行超高速模拟的计算技术。

燃料电池面临的难题

燃料电池通过氢与氧的反应产生电能，是实现氢经济的核心技术之一。但它长期面临两大痛点：氧还原反应（ORR）速度较慢，以及目前广泛使用的铂基催化剂在长时间运行后，因金属溶出而导致性能下降。

研究团队的解决思路

团队将目光投向了神经网络势能技术——让AI学习量子力学计算数据，从而实现高效预测。

具体步骤如下：

构建铂-钴合金催化剂的量子力学计算数据库；

基于该数据训练AI模型；

利用模型预测接近真实催化剂尺寸的纳米颗粒结构，分析不同原子排列对催化性能的影响；

计算金属溶出电位，评估催化剂的稳定性与耐久性。

关键发现

研究团队对比了纯铂、无序PtCo合金、有序PtCo合金三种结构，分析了各自的氧吸附特性、反应路径和自由能变化。

结果显示：有序PtCo结构原子间结合力更强，金属溶出风险更低，在长期运行条件下仍能保持稳定性能，潜力最为突出。

研究团队通过实际催化剂合成、电化学性能评估以及加速老化测试，对上述计算结果进行了实验验证，进一步确认了其可靠性。

研究意义

徐民浩教授表示："这项研究通过AI分析，证明了原子排列和内部结构决定催化剂性能与寿命的规律。未来我们计划将该平台进一步拓展，应用于多种合金催化剂和电极材料的开发。"

铂道综合韩国行业网站报道。