[논문 리뷰] High-throughput screening and mechanistic insights into solid acid proton conductors

Jonas Hänseroth, Max Großmann외 3명|arXiv (Cornell University)|2026. 02. 16.

Machine Learning in Materials Science인용 수 1

한 줄 요약

이 논문은 두 단계의 머신러닝 보조 고처리량 워크플로우를 도입하여 고체 산에서의 양성자 확산을 직접 계산하고, 여섯 백만 개 이상 재료를 선별하며 27개의 최상 후보를 식별하고 기전적 통찰을 제공하며, 다양한 화학에서 거의 ~2.5 Å의 산소-산소 전달 거리를 포함한다.

ABSTRACT

Proton-conducting solid acids could enable water-free operation of high-temperature fuel cells. However, systematic materials screening has, hitherto, been computationally prohibitive. Here, we introduce a two-stage high-throughput screening strategy that directly computes proton diffusion coefficients, enabled by machine-learned interatomic potentials fine-tuned to ab initio data. Starting from more than six million materials, our screening -- based on structural motifs rather than empirical descriptors -- identifies $27$ high-performing proton conductors, including over ten previously unexplored compounds. These include sustainable and commercially available materials, candidates that have not yet been synthesized, organic systems that fall outside conventional design rules, and known proton conductors that validate our approach. Importantly, our findings reveal a universal oxygen--oxygen distance of approximately $2.5$~Å at the moment of proton transfer across diverse chemistries, providing mechanistic insight and showing that macroscopic proton conductivity emerges from the interplay between anion rotational dynamics, hydrogen-bond network connectivity, and proton-transfer probability.

연구 동기 및 목표

• 수분 없이 고온에서의 양성자 전도성을 가능하게 하기 위해 높은 양성자 이동성을 가진 고체 산 재료를 식별한다.
• 거대한 재료 데이터베이스에서 후보를 선별하기 위한 모티프 기반 구조 스크리닝 전략을 개발하고 배치한다.
• 빠른 ML 기반 MD 스크리닝과 ab initio 정제를 결합하여 신뢰할 수 있는 양성자 확산 계수를 얻는다.
• 고체 산에서 음이온의 동역학, 수소 결합 네트워크, 양성자 전달 간의 기전적 관계를 규명한다.

제안 방법

• CsH2PO4 및 Cs7(H4PO4)(H2PO4)8에서 영감을 받은 두 가지 구조 모티프를 사용하여 Materials Project와 Alexandria 데이터베이스의 >6 million materials를 스크리닝하여 양성자 전달이 가능한 옥소음이 프레임워크를 식별한다.
• MatterSim 기초 모델로 100 ps MD 시뮬레이션을 실행하여 동적으로 안정한 후보를 선별하고 양성자 수송 잠재력을 순위를 매긴다.
• 상위 70개 후보에 대해 40 ps AIMD를 수행하여 MACE MLIPs를 미세 조정하기 위한 재료별 데이터를 생성한다.
• 세밀하게 조정된 MACE 모델을 사용하여 400–600 K에서 3 ns MD 시뮬레이션을 실행하고 정량적 확산 계수와 음이온 회전 지표를 얻는다.
• 선정된 경우에 경로적분 MD (PIMD)를 적용하여 전달 거리에서의 핵 양자 효과를 평가한다.
• 산소–산소 거리 분포와 양성자 전달 사건 통계를 분석하여 보편적인 전달 기하를 밝혀낸다.

실험 결과

연구 질문

• RQ1 모티프 기반의 고처리량 스크리닝 워크플로우가 거대 재료 공간에서 높은 확산 계수를 가진 고체 산 양성자 전도체를 식별할 수 있는가?
• RQ2 음이온 회전, 수소 결합 연결성, 전달 확률이 고체 산의 거시적 양성자 전도에 어떤 기계적 요인으로 작용하는가?
• RQ3 다양한 옥소아니온 화학에서 양성자 전달 거리와 관련된 보편적 구조 특징이 있는가?
• RQ4 핵 양자 효과가 이들 재료에서 양성자 전달 거리에 어떤 영향을 미치는가?

주요 결과

• 확산 계수가 높은 27개의 최상 고체 산 양성자 전도체를 식별하였으며, 이들 중에는 알려진 전도체와 탐색되지 않은 화합물이 모두 포함된다.
• 모티프 필터링에 이어 MLIP 기반 MD 및 AIMD 정제가 결합된 2단계 선별이 여섯 백만 개 후보를 집중된 세트로 효율적으로 좁혔다.
• 상위 후보 중 400 K에서의 양성자 확산 계수는 여러 경우에 0.003 Å2 ps−1를 초과하며 CsH2PO4 기반 시스템과 비교되거나 더 나은 성능을 보인다.
• 음이온 회전 동역학과 수소 결합 네트워크 연결성은 거시적 확산에 영향을 주며, 더 빠른 음이온 회전이 항상 더 높은 전도도를 가져오지는 않으므로 최적의 균형이 필요함을 시사한다.
• 다양한 화학에서 보편적인 산소–산소 전달 거리가 ~2.5 Å로 양성자 홉핑을 지배하며, AIMD로 확인되고 Te를 포함한 이상치에서 PIMD로 회수되었다.
• 이 워크플로우는 실험적으로 검증된 전도체(CsHSO4, KHSO4, KH2PO4 등)를 다수 회수했고, 유기염 및 지구상 풍부한 조성의 후보들도 새롭게 제시되었다.