Мегабиблиотека наночастиц из 156 миллионов комбинаций за сутки нашла замену иридию в катализаторах для «зелёного» водорода

Исследователи из Северо-Западного университета (США) и Toyota Research Institute (TRI) разработали новый подход к поиску эффективных и доступных катализаторов для производства «зелёного» водорода, который позволяет находить замену редким и дорогим материалам, таким как иридий. Это стало возможным благодаря мегабиблиотеке — микрочипу, на котором размещены миллионы наночастиц с различным химическим составом.

Иридий используется в качестве катализатора на стадии выделения кислорода (OER) при производстве водорода методом электролиза, однако высокая стоимость (до $5000 за 30 грамм) и ограниченные запасы этого металла затрудняют масштабное развитие водородной энергетики. Для поиска альтернативы учёные создали мегабиблиотеку, включающую 156 миллионов наночастиц из комбинаций распространённых металлов: рутения, кобальта, марганца и хрома.

С помощью роботизированных сканеров были быстро протестированы свойства всех наночастиц в реакции OER. В результате был выделен оксидный материал состава Ru₅₂Co₃₃Mn₉Cr₆. В лабораторных испытаниях этот катализатор показал эффективность, превосходящую по активности традиционные иридийсодержащие материалы, при этом его стоимость оказалась примерно в 16 раз ниже. Кроме того, новый катализатор работал более 1000 часов с сохранением высокой активности и стабильностью в агрессивной кислотной среде.

Профессор Чед А. Миркин, руководитель разработки, отмечает, что технология мегабиблиотек позволяет химикам и материаловедам за короткое время находить действительно эффективные материалы из сотен миллионов возможных вариантов. Эта технология важна не только скоростью поиска, но и возможностью быстро проверить работоспособность материалов в условиях, приближённых к реальным.

Кроме непосредственного поиска катализаторов для электролиза воды, мегабиблиотеки открывают новые возможности в материалах для батарей, биомедицинских устройств и других технологических областей. Учёные уже применяют алгоритмы машинного обучения для обработки больших массивов экспериментальных данных и прогнозирования свойств новых материалов. По словам профессора Миркина, использование таких методов позволит быстрее создавать и внедрять оптимальные решения без необходимости опираться на самые редкие или дорогие элементы.

 Источник: Journal of the American Chemical Society