Trong nhiều thập kỷ, các nhà khoa học đã dựa vào một quy tắc đơn giản để thiết kế các chất xúc tác tốt hơn: luôn tồn tại một "điểm tối ưu" duy nhất nơi hiệu suất đạt mức cao nhất. Tuy nhiên, nghiên cứu mới cho thấy giả định này có thể không còn đúng đối với một nhóm vật liệu đầy hứa hẹn, vốn có khả năng giúp giảm chi phí của pin nhiên liệu hydro.

Các nhà nghiên cứu tại Đại học Tohoku đã phát hiện một nguyên lý thiết kế chất xúc tác mới, giải thích vì sao các chất xúc tác hai nguyên tử thường vượt trội hơn so với các chất xúc tác đơn nguyên tử. Bằng việc phát hiện một quy luật chưa từng được biết đến, được gọi là "hai điểm tối ưu Sabatier" (dual-Sabatier optima), nghiên cứu này đã thách thức khuôn khổ truyền thống trong khoa học xúc tác và có thể thúc đẩy quá trình tìm kiếm các vật liệu rẻ hơn, hiệu quả hơn cho các công nghệ năng lượng sạch.

Pin nhiên liệu được xem là một công nghệ đầy triển vọng để xây dựng một xã hội phát thải carbon thấp, bởi chúng có thể tạo ra điện từ hydro với lượng khí thải rất sạch. Tuy nhiên, nhiều loại pin nhiên liệu hiện nay vẫn phụ thuộc vào các kim loại quý đắt tiền, đặc biệt là bạch kim, để xúc tác cho phản ứng khử oxy (Oxygen Reduction Reaction - ORR) – một quá trình then chốt quyết định cả hiệu suất lẫn chi phí của pin nhiên liệu.

Các nhà khoa học đã nghiên cứu các chất xúc tác phân tán ở cấp độ nguyên tử như một giải pháp thay thế. Chất xúc tác đơn nguyên tử sử dụng các nguyên tử kim loại riêng lẻ, trong khi chất xúc tác hai nguyên tử (DACs) sử dụng các cặp nguyên tử phối hợp với nhau. Mặc dù nhiều thí nghiệm đã chỉ ra rằng DACs có hiệu suất vượt trội hơn các chất xúc tác đơn nguyên tử, nguyên nhân của hiện tượng này vẫn chưa được hiểu rõ.

Vì sao chất xúc tác hai nguyên tử vượt trội hơn?

Theo quan điểm truyền thống, hoạt tính xúc tác được giải thích bằng mô hình "núi lửa một đỉnh" (single-peak volcano model). Mô hình này cho rằng những chất xúc tác tốt nhất đều nằm trong một khoảng rất hẹp của các đặc tính hóa học.

Tuy nhiên, khi các nhà nghiên cứu phân tích một lượng lớn dữ liệu thực nghiệm từ Nền tảng Xúc tác số (Digital Catalysis Platform - DigCat), họ phát hiện rằng các chất xúc tác hai nguyên tử không tuân theo quy luật này.

Nhóm nghiên cứu sau đó đã khảo sát hơn 200 loại chất xúc tác hai nguyên tử bằng các mô phỏng lý thuyết tiên tiến, mô hình động học vi mô (microkinetic modeling) và học máy (machine learning). Kết quả cho thấy DACs chủ yếu được chi phối bởi một cơ chế phản ứng gọi là cơ chế phân ly (dissociative mechanism), thay vì cơ chế kết hợp (associative mechanism) thường gặp ở các chất xúc tác đơn nguyên tử.

Sự khác biệt này tạo ra ảnh hưởng lớn đến cách biểu hiện hoạt tính xúc tác. Thay vì chỉ có một đỉnh hiệu suất tối ưu, DACs lại xuất hiện hai vùng hoạt động tối ưu riêng biệt, được nhóm nghiên cứu gọi là "hai điểm tối ưu Sabatier" (dual-Sabatier optima).

Hai đỉnh này hình thành do bước quyết định tốc độ của phản ứng (rate-limiting step) thay đổi trong suốt quá trình phản ứng, luân chuyển giữa các giai đoạn: sự phân ly của oxy, sự proton hóa oxy và sự proton hóa nhóm hydroxyl.

Khám phá quy luật "hai điểm tối ưu Sabatier"

Các nhà nghiên cứu phát hiện rằng nguyên lý này có thể áp dụng cho rất nhiều loại chất xúc tác khác nhau, bao gồm các hệ sử dụng kim loại chuyển tiếp, các nguyên tố có tính chất tương tự kim loại và thậm chí cả các nguyên tử phi kim.

Bằng cách kết hợp học máy có khả năng diễn giải (interpretable machine learning) với mô hình lý thuyết, họ đã xây dựng được một khuôn khổ dự đoán có thể nhanh chóng và chính xác xác định những cấu trúc chất xúc tác đầy triển vọng.

Ý nghĩa vượt ra ngoài pin nhiên liệu

Theo nhóm nghiên cứu, ý nghĩa của phát hiện này không chỉ giới hạn ở pin nhiên liệu. Những kết quả trên còn có thể định hướng việc phát triển các chất xúc tác cho nhiều quá trình chuyển đổi năng lượng và sản xuất hóa chất khác.

Nghiên cứu cũng cho thấy trí tuệ nhân tạo (AI) có thể giúp khám phá những quy luật khoa học tiềm ẩn trong các dữ liệu thực nghiệm hiện có, từ đó đẩy nhanh quá trình tìm kiếm các vật liệu mới.

Trong giai đoạn tiếp theo, nhóm nghiên cứu sẽ áp dụng phương pháp này cho các chất xúc tác đa kim loại phức tạp hơn cũng như nhiều phản ứng liên quan đến năng lượng ngoài phản ứng khử oxy (ORR).

Bằng cách kết hợp các tác nhân AI (AI agents), học máy và mô phỏng điện hóa trên nền tảng DigCat, họ kỳ vọng sẽ xây dựng được một hệ thống số hoàn toàn tự động, có khả năng thiết kế nhanh chóng các chất xúc tác thế hệ mới phục vụ cho các công nghệ năng lượng bền vững.