요약:
인도 과학 연구소(Indian Institute of Science)의 연구원들은 수소를 사용하여 이산화탄소를 연료 및 산업용 화학 물질로 전환하는 과정에서 기존 모델에서 오랫동안 무시되었던 수소 전달 경로가 있을 수 있음을 발견했습니다. 이번 발견은 실험 결과와 이론적 예측의 차이를 설명하는 데 도움이 될 뿐만 아니라, 보다 효율적인 촉매를 개발하고 이산화탄소 자원 활용을 촉진하기 위한 새로운 방향을 제시할 수도 있습니다.
이 연구는 인도과학연구소(IISc) 연구팀이 주도했으며, 그 결과는 2026년 9월 17일 잡지 '네이처 커뮤니케이션즈(Nature Communications)'에 게재됐다. 연구진은 구리 촉매 표면에서 일어나는 이산화탄소 수소화 반응을 연구하기 위해 양자역학 계산, 머신러닝, 반응속도론 모델링을 결합한 계산 프레임워크를 개발했다.
이산화탄소 수소화는 촉매 작용에 따라 이산화탄소와 수소를 결합하여 다른 화학물질로 전환시키는 기술입니다. 그 중 메탄올은 연료 생산에 사용될 수 있고 화학 제조에도 널리 사용되는 중요한 목표 제품입니다. 따라서 어떻게 하면 이산화탄소의 전환 효율을 향상시키고 반응을 통해 더 많은 목적 생성물을 생성할 수 있는지가 관련 연구에서 항상 중요한 주제였습니다.
그러나 이러한 유형의 화학 반응은 단순한 반응식보다 훨씬 더 복잡합니다. 촉매 표면에서 이산화탄소와 그 파생 중간체는 수많은 순차적 또는 경쟁적 반응 단계를 거칠 수 있습니다. 연구자들이 양자역학 계산을 통해 가능한 모든 반응 경로를 완전하게 설명하려고 하면 엄청난 계산 요구 사항에 직면하게 됩니다. 계산 비용을 제어하기 위해 전통적인 연구에서는 일반적으로 모델에 포함하는 것이 중요하다고 간주되는 반응 중 일부만 선택합니다.
문제는 모델이 주요 반응을 놓치면 나머지 계산이 정확하더라도 최종 예측이 현실에서 크게 벗어날 수 있다는 것입니다.
연구팀은 먼저 양자 역학 시뮬레이션을 사용하여 152개의 반응이 포함된 검증된 반응 데이터베이스를 구축했습니다. 그런 다음 그들은 다양한 반응에 대해 극복해야 하는 활성화 에너지 장벽을 추정하기 위해 기계 학습 모델을 훈련했습니다. 활성화 에너지는 반응이 일어나는 용이성을 결정하며 화학 반응 속도를 예측하는 중요한 매개변수입니다.
이를 바탕으로 연구원들은 자동화된 도구를 사용하여 구리 촉매 표면에서 105가지 화학종 사이의 가능한 반응을 체계적으로 식별하고 어떤 화학종이 단일 단계에서 서로 전환될 수 있는지 결정했습니다. 확장 후 원래의 제한된 규모 반응 네트워크는 마침내 9389개의 기본 반응으로 증가했습니다.
반응 네트워크를 확장한 후 계산 결과가 크게 달라졌습니다. 152개의 반응만 고려할 때 모델은 포름산이 지배적인 생성물이 될 것이라고 잘못 예측했으며 이산화탄소 전환 정도를 과소평가했습니다. 이전에 무시되었던 수천 개의 반응이 계산에 포함된 후, 모델의 예측 결과는 실험적 관찰과 더욱 일치했습니다. 메탄올, 일산화탄소 등 주요 생성물을 정확하게 식별할 수 있었고, 기존 모델보다 약 40배 많은 이산화탄소 전환량을 예측할 수 있었다.
그런 다음 연구원들은 확장된 반응 네트워크를 운동 모델에 통합하여 전체 화학 시스템의 실제 동작을 분석했습니다. 관련 예측은 실험적 연구를 통해서도 검증되었습니다. 실험 검증에 참여한 인력은 힌두스탄 석유공사의 녹색연구개발센터와 싱가포르 과학기술연구청(A*STAR) 관련 연구팀 출신이다.
이 연구는 모델 예측의 정확성을 높이는 것 외에도 주목할 만한 수소 이동 메커니즘도 밝혀냈습니다.
전통적인 반응 설명에서는 일반적으로 수소 분자가 먼저 수소 원자로 분리된 다음 이 수소 원자가 후속 화학 반응에 참여해야 합니다. 그러나 연구자들은 일부 중요한 반응에서 수소 가스 분자의 수소가 먼저 독립적인 수소 원자로 완전히 해리되지 않고 반응 중간체로 직접 전달될 수 있음을 발견했습니다.
추가 양자 역학적 계산을 통해 이러한 직접적인 수소 전달 경로는 수소가 산소 함유 중간체로 전달될 때 특히 유리한 에너지 조건을 가질 수 있음이 확인되었습니다.
이 발견은 일부 기존 모델에서 수소 전달 과정을 단순화하는 데 도전하고 있습니다. 연구원들은 이 메커니즘이 반응 네트워크가 충분한 크기로 확대되어 컴퓨팅 시스템이 이전에 포함되지 않았던 더 많은 반응 경로를 고려할 수 있게 될 때만 명백해진다고 지적합니다. 이후 연구팀은 관련 단계에 대해 보다 상세한 양자역학적 계산을 수행해 이 현상이 단순히 모델에 의해 예측된 것이 아니라는 점을 추가로 확인했습니다.
연구원들은 이 메커니즘이 향상된 촉매 설계에 대한 단서를 제공할 수 있다고 믿습니다. 예를 들어, 촉매가 수소 분자와 더욱 강력하게 상호작용할 수 있다면 메탄올 생산에 유리한 반응 경로를 촉진하는 것이 가능할 수도 있습니다. 하지만 이는 아직 추가적인 검증이 필요한 디자인 아이디어이다. 수소 분자와 촉매 사이의 상호 작용을 강화하면 필연적으로 메탄올 수율이 증가한다고 결론 내릴 수는 없습니다.
이 연구의 또 다른 중요한 의미는 컴퓨터 화학과 기계 학습을 결합한 연구 방법의 잠재력을 보여주었다는 것입니다. 연구팀은 양자역학 계산, 기계학습, 자동화된 반응 경로 식별, 반응 동역학 모델을 통합해 연구할 수 있는 반응의 범위를 넓혔을 뿐만 아니라, 비용이 많이 드는 계산을 통해 가능한 모든 반응을 하나씩 처리하는 어려움을 줄였습니다.
연구원들은 이 프레임워크가 미래에 이산화탄소 감소, 질소 감소, 다양한 촉매에서의 물 분해 반응 등 산업적 가치가 있는 다른 화학 공정에도 적용될 수 있다고 말했습니다. 이들 공정은 각각 탄소자원 재활용, 질소 함유 화학물질 생산, 수소 생산 분야와 밀접한 관련이 있습니다.
배출 감소와 에너지 전환에 대한 요구가 증가함에 따라 이산화탄소를 메탄올과 같은 유용한 제품으로 전환하는 것은 탄소 자원 재활용을 실현할 수 있는 잠재적인 기술 경로 중 하나로 간주됩니다. 그러나 이러한 유형의 기술이 갖는 전반적인 환경적 이점은 수소 생산 방법, 필요한 에너지 공급원, 촉매 성능 및 전체 공정의 경제성에 따라 달라집니다. 수소 생산이 여전히 고배출 에너지원에 의존한다면, 이산화탄소 전환 과정 자체가 반드시 수명주기 배출량 감소를 의미하는 것은 아닙니다.
따라서 본 연구의 가장 직접적인 기여는 상업적으로 대규모로 적용할 수 있는 새로운 연료 생산 장비를 개발한 것이 아니라 전통적인 계산 모델에서 놓칠 수 있는 중요한 화학 반응을 밝히고 복잡한 촉매 반응을 보다 포괄적으로 연구할 수 있는 방법을 제공한 것입니다. 연구자들이 수소 전달 메커니즘을 더욱 검증하고 이를 촉매 최적화에 적용함에 따라, 이번 발견은 이산화탄소 전환 효율을 향상시키고 보다 경제적인 연료 생산 공정을 개발하는 기반을 마련할 것으로 기대됩니다.
댓글