韓國利用AI預測鉑-鈷催化劑原子排列，提升氫燃料電池性能與壽命

在氣候危機時代，氫能汽車作為綠色出行的替代方案正逐漸興起。然而，被譽為“氫能汽車之心”的燃料電池仍面臨成本高、壽命短的瓶頸問題。其中核心原因在于鉑催化劑。雖然鉑是生成電能的關鍵材料，但其反應速度較慢，性能隨時間衰減，且制造成本高昂。韓國科研人員近日給出了這一難題的解決線索。

韓國科學技術院(KAIST)于2月26日宣布，由材料科學與工程系的EunAe Cho教授帶領的團隊，聯合首爾國立大學(Seoul National University)化學與生物工程學院的Won Bo Lee教授團隊，開發出一項利用人工智能(AI)預測催化劑“原子排列”傾向的技術。

該技術類似于在拼圖之前，先通過計算判斷哪種組合更有利于完成拼圖。通過讓AI先計算金屬原子的排列速度，現在可以高效設計出性能更優的催化劑。研究核心在于“AI揭示了鋅在鉑-鈷原子排列中發揮決定性作用”。

盡管現有鉑-鈷(Pt-Co)合金催化劑性能較高，但要形成原子規律排列的“金屬間化合物(L1?)”結構，需要經歷極高溫的熱處理。在這一過程中，催化劑顆粒容易團聚，或結構變得不穩定，限制了其在燃料電池中的實際應用。

為解決這一問題，研究團隊引入了基于機器學習的量子化學模擬。通過AI，他們精確預測了催化劑內部原子的運動和排列方式。

結果發現，鋅(Zn)作為介導元素促進了原子排列。當引入鋅時，原子更容易找到合適位置，從而形成更精細、更穩定的結構。換言之，AI預先找到了“原子排列生成的最優路徑”。

基于AI預測合成的鋅-鉑-鈷催化劑，在活性和長期耐久性方面均優于商業化鉑催化劑。這一成果證明了AI計算出的“虛擬藍圖”能夠在實驗室中實現為高性能催化劑。

尤其值得注意的是，這項技術有望在氫動力乘用車、長途氫能卡車、氫能船舶以及儲能系統(ESS)等核心碳中和產業中延長催化劑壽命并降低制造成本。

EunAe Cho教授表示：“本研究利用機器學習預測催化劑的原子排列趨勢，并通過實際合成實現了這一預測。”他補充道：“基于AI的材料設計將成為下一代燃料電池催化劑研發的新范式。”

KAIST材料科學與工程系博士生HyunWoo Chang與首爾國立大學化學與生物工程學院Jae Hyun Ryu博士作為共同第一作者參與了本研究。研究成果已于2026年1月15日發表于能源材料領域世界頂級期刊《Advanced Energy Materials》。

論文標題：Machine Learning-Guided Design of L1?-PtCo Intermetallic Catalysts: Zn-Mediated Atomic Ordering

原文鏈接: https://doi.org/10.1002/aenm.202505211

該研究得到韓國國家研究基金會納米與材料技術開發計劃(National Research Foundation of Korea’s Nano & Material Technology Development Program)以及韓國能源技術評估與規劃研究院燃料電池技術能源創新研究中心(Korea Institute of Energy Technology Evaluation and Planning’s Energy Innovation Research Center for Fuel Cell Technology)的支持。

（素材來自：韓國科學技術院 全球氫能網、新能源網綜合）