PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.08003v1physics.chem-ph

실험적으로 확인된 촉매 선택성 가설을 위한 프론티어 모델 기반 반응 네트워크 추론

Reaction-network reasoning with frontier models for experimentally confirmed catalyst-selectivity hypotheses

촉매는 지속 가능한 화학 제조에 필수적이지만, 새로운 구조를 발견하는 과정은 시행착오적 실험과 계산 집약적 스크리닝이 지배하는 병목 구간으로 남아 있다. 전기화학적 이산화탄소 환원과 같은 복잡한 반응에서 생성물 선택성은 동적 계면, 전해질 및 전위 인자와 더불어 반응 경로 간의 운동학적 경쟁에 의해 결정된다. 기존의 디스크립터 기반 머신러닝 및 계산 포텐셜은 종단 간 위상학적 경로 분석보다는 주로 정적 바닥 상태 디스크립터나 벌크 구조적 상관관계에 의존하여 이러한 기계론적 분기점을 해결하는 데 어려움을 겪는다. 본 연구에서 우리는 프론티어 언어 모델이 명시적 반응 네트워크에 대한 추론을 엄격히 제약받을 때, 경로 경쟁을 지배하는 물리적 레버를 식별함으로써 새로운 촉매를 발견할 수 있음을 보인다. 우리는 복잡한 화학 그래프에서 검증 가능한 가설을 추출하기 위해 네트워크 불변성을 강제하는 인간-AI 공동 사고 프레임워크를 개발했다. CO2 전기환원에 적용한 결과, 이 프레임워크는 케텐(ketene) 탈착과 수산화물 포획을 아세테이트 형성 경로로 식별하고, 케텐으로 이어지는 별도의 흡착된 CO와 CH2 결합 경로를 예측했다. 실행 가능한 제어 레버, 구체적으로 국소 알칼리성, 제어된 철 혼입, 제한된 계면 양성자 공여체 접근성을 분리함으로써, 이 프레임워크는 매칭된 Cu 풍부 기준선 대비 아세테이트 선택성을 3배 향상시킨 구리-산화철 촉매의 전향적 합성을 이끌었다. 이 기계론적 추론 아키텍처는 계산 패러다임을 소급적 통계 예측에서 전향적 가설 생성으로 전환하며, 기계론적 소재 발견을 위한 광범위하게 적용 가능한 청사진을 제공한다.