| 1 |
1
머신 러닝(machine-learning) 기반 신경망 포텐셜(neural network potential; NNP)을 이용하여, PtFeCu 나노 입자들의 산소환원반응(oxygen reduction reaction; ORR) 촉매 활성에 관한 데이터베이스를 구축하는 제1 단계,몬테카를로(Monte Carlo) 계산을 통해 열역학적으로 안정한 PtFeCu 나노 입자들을 선별하는 제2 단계, 그리고PtFeCu 나노 입자들의 구조를 분석하여 PtFeCu 나노 입자들을 선별하는 제3 단계를 포함하는, 산소환원반응용 삼원계 촉매의 설계 방법
|
| 2 |
2
제1항에서,상기 제1 단계에서, 상기 신경망 포텐셜은 밀도 함수 이론(density functional theory; DFT) 계산에 의한 원자적 상호작용 에너지(atomistic interaction energies)의 매개 변수를 머신 러닝하여 구축된 것인, 산소환원반응용 삼원계 촉매의 설계 방법
|
| 3 |
3
제2항에서,상기 머신 러닝을 위한 훈련 세트는, PtFeCu 나노 입자가 컷오프 반경(cutoff radius) 크기로 분할된, 모폴로지(morphology), 크기(size), 조성(composition), 또는 컨피규레이션(configuration)이 다른 원자 로컬 환경들(atomic local environments)로 이루어진 것인, 산소환원반응용 삼원계 촉매의 설계 방법
|
| 4 |
4
제3항에서,상기 원자 로컬 환경들은 입자 크기가 1
|
| 5 |
5
제1항에서,상기 PtFeCu 나노 입자들의 산소환원반응 촉매 활성은 하기 수학식 2에 의해 계산된 것인, 산소환원반응용 삼원계 촉매의 설계 방법
|
| 6 |
6
제1항에서,상기 제2 단계에서, 각각의 PtFeCu 나노 입자에 대한 몬테카를로 계산은 원자 위치를 무작위적으로 교환하는 n 번의 시도로 구성되며, 온도 T(0 켈빈 이상)에서 10,000 번의 시도로 수행되는 것인, 산소환원반응용 삼원계 촉매의 설계 방법
|
| 7 |
7
제1항에서,상기 제2 단계는, PtFeCu 나노 입자의 밀도 함수 이론(density functional theory; DFT) 계산 결과를 삼원 위상 다이어그램으로 매핑하고, 몬테카를로(Monte Carlo) 계산 결과를 상기 삼원 위상 다이어그램에 에너지 컨벡스 헐(energy convex hull)로 표현하여 이루어지는, 산소환원반응용 삼원계 촉매의 설계 방법
|
| 8 |
8
제1항에서,상기 제3 단계에서, Pt 쉘을 포함하는 PtFeCu 나노 입자를 구성하기 위해, PtFeCu 나노 입자 전체 중량에 대하여 Pt의 함량을 0
|
| 9 |
9
제1항에서,상기 제3 단계에서, 상기 PtFeCu 나노 입자들의 구조를 분석은 PtFeCu 나노 입자의 각 원자 쉘에서 Pt, Fe 및 Cu의 원자 수를 분석하여 이루어지는, 산소환원반응용 삼원계 촉매의 설계 방법
|
| 10 |
10
제1항에서,상기 제3 단계에서, 상기 PtFeCu 나노 입자의 화학적 안정성을 하기 수학식 7에 의해 평가하는, 산소환원반응용 삼원계 촉매의 설계 방법
|
| 11 |
11
제1항에서, 상기 산소환원반응용 삼원계 촉매의 설계 방법은,상기 산소환원반응용 삼원계 촉매의 설계 방법을 통하여 얻어진 PtFeCu 나노 입자를 실험을 통해 합성하고, 비교 검증하는 제4 단계를 더 포함하는,산소환원반응용 삼원계 촉매의 설계 방법
|
| 12 |
12
제1항에서, 상기 산소환원반응용 삼원계 촉매의 설계 방법에 의하여 얻어진 PtFeCu 나노 입자의 조성은 Pt0
|
