麻省理工學院研究人員開發新計算方法 加速尋找清潔氨生產催化劑

重點
  • 麻省理工學院開發新計算方法,加速尋找清潔氨催化劑。
  • 目前氨生產仍依賴哈伯-博施過程,幾乎未改變。
  • 新方法能縮小催化劑搜尋範圍,提升效率。
  • 研究仍需在實際條件下合成和測試新材料。

氨的生產大約消耗全球能源的 2%。此過程產生約 1.5% 的全球温室氣體排放,主要用於製造養活數十億人的肥料。麻省理工學院的研究人員開發了一種計算方法,能加速對更清潔催化劑的搜尋,潛在地縮短尋找有效材料的時間。該研究由比爾基·伊爾迪茲教授以及博士生康斯坦丁·阿薩尼提斯和菲利普·格賴科夫斯基領導,並於 8 月 11 日發表在《皇家化學學會》期刊 EES Catalysis 上。

一個世紀的過程

哈伯-博施過程的挑戰

目前超過 90% 的氨生產仍依賴哈伯-博施過程。這一依賴化石燃料的方法在過去一個世紀中幾乎沒有改變。阿薩尼提斯表示,自引入以來,該過程已被「超優化」,使其成為難以取代的目標。已經存在一種替代方法,利用電化學而非熱和壓力,驅動氮氣與質子-電子對之間的反應,這與電解器中所採用的基本原理相同。然而,阿薩尼提斯指出,這種方法在工業規模的應用中仍然極為低效,因為生產率和產量仍無法滿足企業轉變的需求。

無需猜測的搜尋

新計算方法的優勢

提高這一效率的關鍵在於找到更好的催化劑,這是一種表面特性決定反應進行效率的材料。通過試錯法測試每一種可能的金屬合金組合可能需要數年時間,因此麻省理工學院的團隊建立了一種計算方法來縮小搜尋範圍。伊爾迪茲表示,這一方法能夠識別推動氨生產催化活性的關鍵物理特性,從而為研究人員提供指導,讓他們能夠針對性地搜尋更好的催化劑化合物,而非隨機測試合金。

該團隊專注於過渡金屬氮化物,這些材料已知在這些反應中表現良好,因為其本身的氮原子成為化學過程的一部分。這種內置的氮創造了一系列的化學步驟,其中每一步都為下一步提供部分所需的能量,從而減少了反應所需的外部能量。阿薩尼提斯表示,該過程在某些特定點上仍然會遇到瓶頸,包括氮的解離和氫的轉移,團隊的目標是準確定位這些瓶頸。

從理論到實踐的挑戰

實驗室之前的理論

來自威斯康辛大學的工程教授丹·摩根並未參與此次研究,但他稱讚這一方法為令人振奮的工作。他表示,這可能為設計新的氨催化劑奠定基礎。該研究澄清了材料的基本電子特性如何與其作為催化劑的功能相關聯,這些信息能夠指導定性理解和更快速的計算篩選。目前,這項研究仍然純粹是理論上的。研究人員通過計算建模識別了有前景的合金,但這些材料仍需在實際條件下合成和測試。

摩根指出,將這些計算轉化為實際工作催化劑將需要大量額外的工作,才能實現任何實際影響。阿薩尼提斯表示,下一步是建立一個工作的反應池,該實驗室設備將利用已識別的催化劑來生產氨並測量其在實際操作條件下的性能。他表示,實質性的影響需要將研究從模擬轉移到實驗室實驗中。團隊相信,這次的材料搜尋已經比以往的努力推進得更遠。

新催化劑搜尋方法的潛力與挑戰

氨的生產對全球能源和環境影響深遠,因此尋找更清潔的生產方法至關重要。麻省理工學院的研究人員透過新計算方法,能更有效地識別催化劑,這對於提升氨生產的可持續性具有潛在意義。然而,從理論模型轉向實際應用仍面臨挑戰,尤其是需要進一步的實驗來驗證這些催化劑的性能。這一研究不僅有助於優化氨生產,還可能推動其他相關化學反應的催化劑開發。

本文由 The Base Principle 編譯自以下英文報道,內容經翻譯及整理,事實與數據以原文為準。
Henderson
Henderson

Henderson 是 The Base Principle 的編輯,負責 AI 與工程科技報道的選題與編輯,並監督本站的自動化編譯流程。關注範圍包括大型語言模型、半導體與運算、太空與能源工程。

The Base Principle 是一個繁體中文(香港)科技媒體,專注報道人工智能與工程前沿。我們持續追蹤 OpenAI、Anthropic Claude、Google Gemini、Grok(xAI)、Meta AI、DeepSeek 等主要 AI 模型與公司,並涵蓋電動車與工程技術趨勢,每日精選與分析。

友情網站:手機・開箱・評測 → TechRitualTechNippon 日本語版