전남대학교 화학과 나경수 교수 연구팀은 이산화탄소 수소화 반응용 철(Fe) 기반 열화학 촉매의 반응 전 전처리 과정과 반응 중 변하는 구조에 대해 집대성하고, 머신러닝(Machine learning)을 활용한 데이터 기반 최적 촉매 설계에 있어서 이러한 철 촉매의 동적 구조 변화가 반영될 수 있는 Dynamic function descriptor를 제안했다.

이번 논문은 “Dynamic Phase Evolution of Fe-Based Catalysts During CO2 Hydrogenation: Implications for Data–Driven Design” 제목으로 세계적 권위의 국제학술지인 Advanced Functional Materials (IF: 19.9)에 표지논문(Back Cover Article)으로 게재 됐다.

기존 촉매 개발은 수많은 실험적 조성을 일일이 검증하는 시행착오(Trial-and-error) 방식에 의존하여, 많은 시간과 비용이 소요되는 한계가 있었다. 최근 머신러닝 기반의 촉매 연구는 구조-성능 관계를 빠르게 규명하고, 방대한 후보군을 효율적으로 스크리닝함으로써 최적 촉매 개발 시간을 획기적으로 단축할 수 있다.

그러나 현재 머신러닝을 활용한 촉매 연구는 주로 반응 전 초기 구조에 의존한다. 하지만 이산화탄소 수소화 반응용 철 촉매는 반응 과정에서 산화·탄화 반응이 경쟁하며 동적으로 구조가 변화한다. 이처럼 끊임없이 변하는 촉매 구조는 데이터 기반 예측 성능과 실제 반응 성능 간의 간극을 만들어낸다.

따라서 본 논문에서는 데이터 기반의 정확한 이산화탄소 수소화 반응용 촉매 설계를 위해 철 촉매의 동적 특성을 집대성 했다. 이를 위해 최신 Operando 및 In situ 분석 기법을 통한 촉매 구조 분석 및 반응 메커니즘 규명을 종합하고, 실시간 분석 데이터를 바탕으로 한 Dynamic function descriptor의 도입 방안을 제시했다.

한편, 염현지 학생은 전남대학교 화학과에서 학사/석사 학위를 취득하고, 화학과의 BK21 Four 미래선도 분자과학 교육연구팀(팀장: 화학과 이선우 교수)의 지원을 받으며, 전남대학교 화학과의 “나노구조촉매연구실(책임자: 나경수 교수)”에서 박사과정 대학원생으로서 연구를 수행하고 있다. 공동 제1저자인 김용석 박사는 같은 BK21 교육연구팀의 신진연구자를 거쳐 전남대학교의 G-LAMP 사업단의 박사후연구원으로 연구 중이며, 전남대학교의 체계화된 학문후속세대 양성과정을 거쳐 성장하고 있는 화학자로서 교내외 다수의 상을 수상한 바 있다.