在气候危机时代，氢能汽车作为绿色出行的替代方案正逐渐兴起。然而，被誉为“氢能汽车之心”的燃料电池仍面临成本高、寿命短的瓶颈问题。其中核心原因在于铂催化剂。虽然铂是生成电能的关键材料，但其反应速度较慢，性能随时间衰减，且制造成本高昂。韩国科研人员近日给出了这一难题的解决线索。
韩国科学技术院(KAIST)于2月26日宣布，由材料科学与工程系的EunAe Cho教授带领的团队，联合首尔国立大学(Seoul National University)化学与生物工程学院的Won Bo Lee教授团队，开发出一项利用人工智能(AI)预测催化剂“原子排列”倾向的技术。
该技术类似于在拼图之前，先通过计算判断哪种组合更有利于完成拼图。通过让AI先计算金属原子的排列速度，现在可以高效设计出性能更优的催化剂。研究核心在于“AI揭示了锌在铂-钴原子排列中发挥决定性作用”。
尽管现有铂-钴(Pt-Co)合金催化剂性能较高，但要形成原子规律排列的“金属间化合物(L1₀)”结构，需要经历极高温的热处理。在这一过程中，催化剂颗粒容易团聚，或结构变得不稳定，限制了其在燃料电池中的实际应用。
为解决这一问题，研究团队引入了基于机器学习的量子化学模拟。通过AI，他们精确预测了催化剂内部原子的运动和排列方式。
结果发现，锌(Zn)作为介导元素促进了原子排列。当引入锌时，原子更容易找到合适位置，从而形成更精细、更稳定的结构。换言之，AI预先找到了“原子排列生成的最优路径”。
基于AI预测合成的锌-铂-钴催化剂，在活性和长期耐久性方面均优于商业化铂催化剂。这一成果证明了AI计算出的“虚拟蓝图”能够在实验室中实现为高性能催化剂。
尤其值得注意的是，这项技术有望在氢动力乘用车、长途氢能卡车、氢能船舶以及储能系统(ESS)等核心碳中和产业中延长催化剂寿命并降低制造成本。
EunAe Cho教授表示：“本研究利用机器学习预测催化剂的原子排列趋势，并通过实际合成实现了这一预测。”他补充道：“基于AI的材料设计将成为下一代燃料电池催化剂研发的新范式。”
KAIST材料科学与工程系博士生HyunWoo Chang与首尔国立大学化学与生物工程学院Jae Hyun Ryu博士作为共同第一作者参与了本研究。研究成果已于2026年1月15日发表于能源材料领域世界顶级期刊《Advanced Energy Materials》。
论文标题：Machine Learning-Guided Design of L1₀-PtCo Intermetallic Catalysts: Zn-Mediated Atomic Ordering
原文链接: https://doi.org/10.1002/aenm.202505211
该研究得到韩国国家研究基金会纳米与材料技术开发计划(National Research Foundation of Korea’s Nano & Material Technology Development Program)以及韩国能源技术评估与规划研究院燃料电池技术能源创新研究中心(Korea Institute of Energy Technology Evaluation and Planning’s Energy Innovation Research Center for Fuel Cell Technology)的支持。
（素材来自：韩国科学技术院 全球氢能网、新能源网综合）
热门跟贴