Производство аммиака – основа современных удобрений, но оно же даёт до 2% мирового потребления энергии и 1,5% выбросов парниковых газов. Исследователи Массачусетского технологического института (MIT) предложили способ радикально ускорить разработку катализаторов для «зелёного» электрохимического синтеза аммиака, используя машинное обучение и квантово-механические расчёты. Статья опубликована 11 августа 2026 года в журнале EES Catalysis и доступна в открытом доступе.
Зачем нужен «зелёный» аммиак
Более 90% аммиака сегодня получают по процессу Габера-Боша, который требует высоких температур и давления, обеспечиваемых сжиганием ископаемого топлива. Водород для реакции тоже в основном производится из природного газа. При этом мировой спрос на аммиак составляет около 200 миллионов тонн в год и продолжает расти вместе с населением.
Электрохимический синтез – альтернатива, использующая электричество (в идеале – из возобновляемых источников) для прямой фиксации азота. Однако существующие катализаторы пока недостаточно эффективны и селективны, чтобы конкурировать с Haber-Bosch по стоимости. «Если мы сможем найти катализатор, который снижает энергетический барьер и более селективно производит аммиак, это станет джекпотом», – объясняет Константин Атанитис, аспирант кафедры материаловедения и инженерии MIT.
Подход MIT: машинное обучение вместо перебора
Традиционно поиск катализаторов ведётся методом проб и ошибок, говорит профессор Билге Йылдыз, возглавляющая исследование. В новой работе команда сосредоточилась на нитридах переходных металлов – классе соединений, которые уже показали активность в азотфиксации. Однако число возможных комбинаций легирующих добавок и структур огромно.
Исследователи применили метод функционала плотности (DFT) для моделирования электронных и структурных свойств, а затем – машинное обучение для выявления корреляций между этими свойствами и каталитической активностью. «Наш подход определяет ключевые физические свойства, которые управляют каталитической активностью в производстве аммиака», – отмечает Йылдыз. Это позволило не просто перебирать варианты, а целенаправленно сужать круг перспективных материалов.
Результаты и ограничения
В работе идентифицированы «узкие места» реакции восстановления азота на поверхности нитридов – стадии диссоциации молекулы азота и переноса водорода. Машинное обучение помогло понять, какие электронные характеристики (например, заполнение d-орбиталей) наиболее сильно влияют на эти стадии. Это даёт исследователям стратегию для «настройки» сплавов следующего поколения.
Авторы подчёркивают, что работа – лишь первый шаг. Предсказания требуют экспериментальной проверки, а для промышленного масштабирования необходимы не только эффективные катализаторы, но и инженерные решения для электролизёров. Тем не менее, предложенный подход может сократить цикл разработки новых катализаторов с лет до месяцев.
Ключевые факты
| Параметр | Значение |
|---|---|
| Доля производства аммиака в мировом энергопотреблении | до 2% |
| Выбросы CO₂ от производства аммиака | около 1,5% глобальных |
| Используемый метод машинного обучения | Градиентный бустинг + анализ на основе DFT |
| Класс катализаторов | Нитриды переходных металлов (transition metal nitrides) |
| Дата публикации | 11 августа 2026 |
Почему это важно для читателей Comrad404
Машинное обучение всё активнее проникает в материаловедение. Данная работа – не абстрактное исследование, а конкретный пример того, как комбинация DFT и ML позволяет решать одну из ключевых задач современной химической промышленности. Для разработчиков, интересующихся применением ИИ в научных вычислениях, это наглядный кейс: от математической модели к реальному инженерному результату. Следует, однако, помнить, что публикация описывает только вычислительные предсказания; подтверждение на практике ещё впереди.
Источник: MIT News — Paving the way for greener ammonia production (https://news.mit.edu/2026/paving-way-for-greener-ammonia-production-0820)