전기화학적 물 분해를 통한 수소의 대량 생산을 달성하기 위해서는, 수소 발생 반응(HER)에 대해 비용 효율적이며 전기화학적으로 활성이고 내구성이 우수한 전기촉매를 탐색하는 것이 필수적이다.

CrP4 나노입자와 CrP4/C 나노복합체는 고에너지 기계식 밀링을 통해 합성되었으며, LIB와 SIB의 양극으로 적용하였다.

커버리지를 제공하여 원하는 C1 경로를 위한 더 많은 활성 부위와 연속적인 EOR을 가능하게 한다.

서로 다른 결정구조 및 전자구조를 갖는 MoO3의 여러 다형체는 물 분해를 통한 수소 생성에 적합한 전기촉매를 찾을 수 있는 많은 기회를 제공한다. 지금까지는 α-MoO3(정방정계, orthorhombic)에서 수소발생반응(HER)에 대한 유망한 전기촉매 활성이 확인된 반면, 해당 다형체는 산소발생반응(OER) 활성은 낮은 것으로 나타났다. 본 연구에서는 리튬 이온(lithium-ion, Li+)의 게스트 이온을 도입함으로써 α-MoO3의 고유 OER 활성이 현저하게 향상됨을 확인하였다. α-MoO3 나노입자는 화학 기상 수송 및 후속 리튬화(lithiation) 공정을 통해 탄소 섬유 페이퍼(carbon fiber paper, CFP) 위에 α-MoO3/CFP로 증착하였으며, 리튬화된 Li-α-MoO3/CFP(Li-α-MoO3/CFP)를 제조하였다. 그 결과 458 mV의 견고한 η10 값을 보였다. 리튬화 전극에서 향상된 OER 활성은 MoO3 내로 Li+가 도입됨에 따라 전자 캐리어(carrier) 밀도가 증가하고 이에 따른 전기 전도성이 향상되어, 계면 전하 전달(transfer) 동역학이 개선됨과 동시에 다수의 ECSA가 활성화되기 때문으로 해석된다.

전기화학적 물 분해를 통한 수소의 대량 생산을 달성하기 위해서는, 수소 발생 반응(HER)에 대해 비용 효율적이며 전기화학적으로 활성이고 내구성이 우수한 전기촉매를 탐색하는 것이 필수적이다.

CrP4 나노입자와 CrP4/C 나노복합체는 고에너지 기계식 밀링을 통해 합성되었으며, LIB와 SIB의 양극으로 적용하였다.

커버리지를 제공하여 원하는 C1 경로를 위한 더 많은 활성 부위와 연속적인 EOR을 가능하게 한다.

서로 다른 결정구조 및 전자구조를 갖는 MoO3의 여러 다형체는 물 분해를 통한 수소 생성에 적합한 전기촉매를 찾을 수 있는 많은 기회를 제공한다. 지금까지는 α-MoO3(정방정계, orthorhombic)에서 수소발생반응(HER)에 대한 유망한 전기촉매 활성이 확인된 반면, 해당 다형체는 산소발생반응(OER) 활성은 낮은 것으로 나타났다. 본 연구에서는 리튬 이온(lithium-ion, Li+)의 게스트 이온을 도입함으로써 α-MoO3의 고유 OER 활성이 현저하게 향상됨을 확인하였다. α-MoO3 나노입자는 화학 기상 수송 및 후속 리튬화(lithiation) 공정을 통해 탄소 섬유 페이퍼(carbon fiber paper, CFP) 위에 α-MoO3/CFP로 증착하였으며, 리튬화된 Li-α-MoO3/CFP(Li-α-MoO3/CFP)를 제조하였다. 그 결과 458 mV의 견고한 η10 값을 보였다. 리튬화 전극에서 향상된 OER 활성은 MoO3 내로 Li+가 도입됨에 따라 전자 캐리어(carrier) 밀도가 증가하고 이에 따른 전기 전도성이 향상되어, 계면 전하 전달(transfer) 동역학이 개선됨과 동시에 다수의 ECSA가 활성화되기 때문으로 해석된다.

(R) 상(phase).

고체전해질(SSEs)은 향후 차세대 리튬이온전지에서 안전성과 안정성이 향상된다는 점에서 매력적이지만, 상온 이온전도도가 낮아 실용적 적용을 저해한다. 새로운 SSE의 실험적 합성과 평가는 시간이 많이 들고 자원 집약적이다. 기계학습은 SSE 발견을 가속하는 경로를 제공하지만, 조성만을 기반으로 한 모델은 이온 수송에 중요한 구조적 요인을 간과하며, 그래프 신경망은 구조가 표지된 전도도 데이터의 부족과 결정 구조(CIFs)에서 흔히 나타나는 결정학적 무질서의 존재로 인해 어려움을 겪는다. 여기서는 동일한 상온, 구조 표지 데이터셋(n = 499)에 대해 상호 보완적인 두 가지 예측기를 학습하였다. 화학량론적 기술자만을 사용하는 그래디언트 부스팅 트리 회귀 모델은 log(S/cm)에서 테스트 MAE 1.108을 달성하였고, 기하학적 기술자를 추가해도(결합 MAE = 1.172) 테스트 오차가 낮아지지 않았으나 Shapley Additive exPlanations를 통해 상보적인 구조 정보를 드러냈다. 그 결과, 화학량론적 기술자, 특히 산소 비율이 특성 중요도를 지배하는 것으로 나타났으며(상위 10개 특성 중 7개), 세 가지 기하학적 기술자(밀도, Lmax, Lmin)도 의미 있게 기여하였다. 동시에, CIF 메타데이터에서 도출한 간결한 텍스트 프롬프트(식에 선택적으로 대칭 및 무질서 태그를 포함)를 사용하여 대형 언어 모델(LLMs)을 미세 조정하였고, 원자 좌표의 원자료를 직접 사용하지 않았다. 주목할 만하게도 Mistral-7B는 절대 오차가 가장 낮았으며[log(S/cm)에서 MAE = 0.798], Qwen3-8B는 식 및 무질서 정보를 사용하여 최고의 전반적 순위 성능(SRCC = 0.849)을 보였고, CIF 파일로부터 수치 특성을 추출할 필요가 없었다. 이러한 결과는 전역 기하학적 기술자가 트리 기반 예측을 개선하고 해석 가능한 구조-특성 분석을 가능하게 하는 한편, LLM은 빠른 SSE 스크리닝을 위한 처리 전처리 부담이 적은 경쟁력 있는 대안임을 보여준다.