[논문 리뷰] Simulations of High Temperature Decomposition of Metal-Organic Frameworks to form Amorphous Catalysts

Connor Edwards, Oliver M. Linder‐Patton외 1명|arXiv (Cornell University)|2026. 01. 23.

Metal-Organic Frameworks: Synthesis and Applications인용 수 0

한 줄 요약

이 논문은 Cu 도핑된 고온 CO2/H2 분위기에서 MOF 열분해를 시뮬레이션하기 위해 미세조정된 머신러닝 인터원자 포텐셜을 활용하여 UiO-66, UiO-67, 및 MIP-206에서 링크 분해, 탄소 네트워크 형성, 나노입자 형태의 원자적 경로를 밝힌다. 강화된 MLIPs가 촉매 MOF 유래 비정질 구조를 포착할 수 있음을 검증하고, 분해를 가속하고 지르코늄 산화물과 함께 구리를 분산시키는 구리의 역할에 대한 통찰을 제공한다.

ABSTRACT

Metal-organic framework (MOF) derived materials formed through high temperature processes show great potential as catalysts. However, understanding of structure-property relationships between the initial MOF and the resulting MOF-derived catalyst is limited because the amorphous nature of the catalyst challenges standard structural characterization methods. Neural network approaches that learn interatomic potentials from density functional theory offer a promising solution. We simulated the pyrolysis of UiO-66, UiO-67 and MIP-206 using both foundational and fine-tuned machine learned interatomic potentials (MLIPs). To mimic experimental conditions, an atmosphere of CO2 and H2 was introduced and the structures were doped with 20 wt% copper to probe the effect of copper on the structural evolution of MOFs. These simulations provide atomistic insights into gas evolution, metal nanoparticle formation, and linker decomposition that were compared to available experimental data. Overall, this work demonstrates the potential of MLIPs to accurately model high temperature MOF dynamics under experimentally relevant conditions and guide the design of new catalytic materials.

연구 동기 및 목표

• 촉매적으로 관련된 고온 조건에서 MOF 분해의 원자 수준 기전 이해.
• 링커 분해, 가스 방출, 탄소/나노입자 형성에 미치는 구리 도핑의 영향을 평가.
• 실험적 관련성을 갖는 고온 MOF 화학을 모델링하는 MLIPs의 능력을 평가.
• 링커 길이와 MOF 토폴로지가 나노입자 모폴로지와 분산에 미치는 영향을 탐구.

제안 방법

• MOF 기하를 최적화하고 Cu 및 CO2/H2 분위를 40 bar로 삽입하기 위해 CP2K를 사용.
• MACE-MP-0 기반 모델로 2000 K에서 1 ns 냉각 경로를 생성하고 열분해 유사 구조의 대규모 데이터 세트를 생성.
• DFT 참조 데이터를 사용하여 MACE 계열 MLIPs를 학습 및 미세조정하고, Matched Training Data(MPtrj)에서 5,000 샘플을 포함해 고온 정확도를 향상시킴.
• 에너지, 힘, 응력을 위해 DFT와 대조하여 모델을 검증하고 메타다이나믹스 및 프로덕션 런으로 안정성을 평가.
• Cu 도핑 하에서 나노입자 형성 및 탄소/네트워크 진화를 연구하기 위해 단위 셀 및 2x2x2 초셀 냉각 시뮬레이션을 수행.

실험 결과

연구 질문

• RQ1 구리 도핑이 MOF 열분해 경로를 어떻게 원자 규모로 바꾸는가?
• RQ2 링커 길이와 MOF 토폴로지가 고온 처리 중 지르코늄 산화물 나노입자 형성 및 구리 분산에 어떤 영향을 미치는가?
• RQ3 정밀하게 조정된 MLIPs가 구리 로딩 MOF 열분해에서의 가스 방출 및 나노입자 형성 등 실험에서 관찰된 현상을 재현할 수 있는가?
• RQ4 MLIPs를 사용한 나노입자 모폴로지 예측의 한계와 시스템 크기 효과는 무엇인가?
• RQ5 강화된 학습 데이터가 고온 MOF 화학에서 모델의 안정성과 예측 신뢰성을 향상시키는가?

주요 결과

• 구리는 링커 분해를 가속하고 C5, C6, C7 고리의 혼합으로 융합된 탄소 시트 형성을 촉진한다.
• 구리는 일부 MOF에서 더 큰 지르코늄 산화물 나노입자 구조를 촉진하고 구리를 분산시켜 나노입자 분산에 기여한다.
• 도핑되지 않은 시스템은 더 작은 탄소 구조를 형성하고 더 많은 링커 특성 및 카르복실레이트를 보유한다.
• CO2, 벤젠, 톨루엔, 메탄올 등 가스 생성물이 열분해 중에 나타나고 구리가 가스 방출을 증가시킨다.
• 1 ns 냉각 결과는 UiO-66, UiO-67, MIP-206 전반에 걸쳐 일관된 링커 분해 및 탄소 네트워크 진화를 보이나 나노입자 모폴로지는 시스템 크기에 의존한다.
• 슈퍼셀 시뮬레이션은 나노입자 모폴로지에서 크기 의존적 인공현상을 보이며, 정량적 모폴로지 예측을 위해서는 대형 셀(10,000–20,000 원자)이 필요함을 시사한다.