DFT-머신러닝 기반 전기촉매 데이터 과학 및 단일원자 촉매 설계 연구

DFT–Machine Learning Guided Data Science for Electrocatalyst Discovery and Single-Atom Catalyst Design

연구 내용

DFT 계산과 머신러닝 전략을 결합해 수소발생·산소발생 전기촉매의 안정성과 성능을 예측하며 신규 조성을 탐색하는 연구

본 연구는 전기화학 촉매의 성능을 좌우하는 전자구조와 반응 특성을 DFT 기반으로 정량화하고, 이를 머신러닝으로 연결해 촉매 후보를 효율적으로 탐색하는 데 목적을 둡니다. 산소발생 및 수소발생 반응에 대해 안정한 촉매 조성을 설계하기 위해 단일원자 촉매 개념과 지지체 역할을 함께 고려합니다. 특히 h-BN 내 단일원자 배치에 대한 탐색 전략을 통해 활성점 안정성과 반응 가능성을 동시에 평가하는 데이터 중심 접근을 수행합니다.

관련 프로젝트

0건

연구 흐름

초기에는 DFT 기반 물성·반응 지표를 활용해 산소발생 촉매의 후보군을 체계적으로 설계하는 방향으로 연구를 수행했습니다. 이후 데이터 기반 탐색 전략을 확장하여 단일원자 촉매를 적용한 고성능 수소발생 촉매 발견으로 주제를 전환했습니다. 최신 단계에서는 h-BN 내 단일원자 삽입 구조를 대상으로, 전산 계산 결과와 데이터 기반 의사결정을 결합해 고성능 후보를 선별하는 연구를 진행하고 있습니다. 전 과정에서 반응-구조 연계 설명 가능성을 유지하도록 계산 기반 학습 설계를 병행하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

수소발생용 고성능 촉매 후보 탐색
산소발생 촉매 안정성 평가
단일원자 활성점 설계
h-BN 지지체-활성점 모델링
반응 경로 예측 기반 스크리닝
DFT 촉매 데이터셋 구축
머신러닝 기반 조성 탐색
전자구조-활성 상관 규명
전해질 조건 반영한 성능 예측
고처리량 실험 연계 설계