김동훈 연구실

본 연구는 반응-인식 머신러닝 시뮬레이션을 통해 암모니아 분해에서 금속-산화물 계면 협력이 반응 경로를 변화시킴을 보여줍니다. MgO(111) 지지 금속 나노입자에서 NH3 탈수소화는 계면에서 활성화 에너지가 크게 감소하고 N-N 결합은 금속 표면에서 진행되어, 고전적 화산 관계를 이동시킵니다. 그 결과 Ni/MgO(111)와 Cu/MgO(111)이 Ru/MgO(111)과 동등하거나 우수한 활성을 보입니다.

본 연구는 밀도함수이론(DFT) 스크리닝을 통해 삼원 Pd₃Mo@Pt 코어-셸 촉매를 설계하여 산소환원반응(ORR)의 활성과 내구성을 동시에 향상시켰습니다. Pd₃Mo@Pt/C 촉매는 질량활성 3.76 A mg⁻¹과 비활성 1.67 mA cm⁻²을 나타내어 Pt/C 촉매 대비 각각 10.2배, 3.18배 우수한 성능을 보였으며, 우수한 내구성과 CO 내성을 입니다.

본 논문은 재료과학 문헌에서 표 데이터를 자동으로 추출하기 위한 GPT 기반 테이블 데이터 추출기인 MaTableGPT를 제시합니다. 이 도구는 재료과학 분야의 대규모 데이터 수집 및 처리를 효율화합니다.

본 연구는 재료과학 문헌의 표 데이터를 추출하기 위해 GPT 기반 추출기인 MaTableGPT를 제시합니다. 표 데이터 표현, 표 분할, 후속 질문을 통한 환각 정보 필터링 전략을 적용하여 물 분해 촉매 문헌에서 96.8%의 추출 정확도(F1 점수)를 달성합니다. 비용-정확도 평가 결과 소수-샷 학습이 95% 이상의 높은 정확도와 5.97달러의 낮은 비용으로 최적 솔루션임을 확인합니다.

본 연구는 그래프 기반 인공신경망을 이용한 기계학습 모델을 개발하여 질소 흡착 에너지를 빠르게 예측함으로써 암모니아 분해 촉매를 탐색합니다. 30개의 순수 전이금속 및 이원 합금 촉매 후보에 대한 훈련 데이터를 기반으로, 루테늄 촉매와 비교 가능한 촉매 성능을 보일 것으로 예상되는 저가 원소 기반의 12개 촉매 후보를 성공적으로 발굴했습니다.