“AI找到最佳催化剂”……IBS开发绿色制氢用下一代催化剂[读懂科学]

by Kim Jonghwa

Published 28 May.2026 18:00(KST)

一次性学习不同催化剂数据…验证性能超越现有水平的顶尖催化剂
“AI甚至可预测全新物质体系”…成果发表于《Nature Materials》

人工智能（AI）同时学习了不同催化剂材料体系的特性，找出了性能优于既有水平的下一代绿色制氢催化剂。AI不再只是从既有候选中挑选性能较好的物质，而是直接提出全新的催化剂体系，并完成了实际性能验证。

基础科学研究院（IBS）28日表示，由现任纳米粒子研究团团长、首尔大学化学生物工程系讲席教授 Hyun Taik-Hwan 领导的研究团队，将不同催化剂材料体系的实验数据整合进一个AI模型，用于预测新型催化剂体系，并开发出发掘最高性能催化剂的技术。

帮助理解研究内容的示意图。研究团队供图

研究团队利用这一技术，探索了绿色制氢所需的氧析出反应（OER）催化剂，并通过实际实验确认，其性能超越了现有催化剂。

水电解是利用电将水分解，以生产环保氢气的技术。但氧析出反应速率较慢且能耗较大，因此高性能催化剂的开发被视为关键课题。

难点在于，催化剂性能会随着组成元素、原子排布、表面结构等众多变量而变化。可能的物质组合极其庞大，过去在很大程度上只能依赖研究者的经验与反复实验。

近来，基于AI的机器学习开始引入催化剂开发领域，但大多仍停留在只在单一原子催化剂或氧化物催化剂等单一材料体系内部寻找最优候选的方式。在真实产业现场，更重要的是在多个材料体系之间通盘比较，找出整体上最优异的催化剂，而不是局限于某一体系内部的“最佳”。

研究团队开发出了可同时学习单原子催化剂与钙钛矿氧化物催化剂数据的“杂交神经网络（Crossbreeding Neural Network，CBNN）”。

单原子催化剂是将金属原子一个个固定在催化剂表面，以极少量金属实现高效率的催化剂。钙钛矿氧化物则是一类可通过多种金属元素组合来调控性质的材料体系。

研究团队设计了一个AI模型，使其能够在同一模型中同时学习单原子催化剂的“表面信息”和钙钛矿氧化物的“内部结构信息”。

为便于理解研究内容，研究团队提供的图片。

随后，AI将此前从未学习过的新型催化剂体系——“在钙钛矿氧化物表面固定金属单原子的催化剂”——作为预测对象。

结果显示，AI预测出的12种催化剂的性能排序与实际合成及电化学实验结果完全一致。在此基础上，研究团队进一步设计了同时固定多种金属单原子的催化剂，成功找到性能优于既有催化剂的最高性能材料。

本次研究的核心在于，AI模型并非只给出结果的“黑箱式预测”，而是被设计成还能解释哪些因素提升了催化剂性能。

Hyun Taik-Hwan 团长表示：“本研究超越了在特定材料体系内部寻找最佳催化剂的传统路径，通过融合不同催化剂体系的知识，证明了可以在更广阔的材料空间中寻找最高性能催化剂”，“今后有望拓展至电池、能源材料、新药开发等需要复杂材料探索的诸多领域。”

共同第一作者、IBS纳米粒子研究团博硕连读课程研究生 Moon Junseok 表示：“当AI学会了多个材料体系的‘通用语言’后，就能突破人为预先设定的候选集，甚至提出全新的设计方向”，“这是迈向通用材料AI的重要起点。”

本次研究成果已于28日在线发表在国际学术期刊《Nature Materials》上。

本报道由人工智能(AI)翻译技术生成。