기계학습 및 제일원리 계산을 통한 광전기화학적 소재 연구

Abstract

산업혁명 이후 화석연료의 사용이 지속적으로 증가하고 있으며, 그 영향으로 지구온난화 등 이상기후 현상이 점차 두드러지게 나타나고 있다. 이에 친환경에너지 확보에 대한 연구의 중요성이 강조되고 있다. 다양한 재생에너지 중에 수소는 풍부한 양과 에너지밀도가 높아 주목받고 있으며, 수소 에너지원의 상용화를 위해서는 생산, 저장, 운송, 활용 등에 전 주기에 걸친 기술 개발이 필요하다. 그 중 첫 단계가 수소 생산 분야이며 탄소를 배출하지 않으면서 지속가능한 미래를 위해 그린 수소를 만드는 방법이 개발되어야 한다. 그린 수소는 생산과정에서 막대한 에너지 손실이 발생하기 때문에 촉매를 통해 에너지 효율을 개선하는 것이 그린 수소 상용화의 열쇠라고 할 수 있다. 본 학위논문에서는 기계학습 및 제일원리 계산을 통해 수소생산을 위한 광전기화학적 소재들을 연구하였다. 단층 및 이중층 Sc2CO2와 Sc2CF2/Sc2CO2 이종구조들에 대해 수소생산을 위한 광촉매로서 잠재력을 제1원리 계산을 통해 조사하였다. 단층 Sc2CO2의 가장 안정적인 구성은 야누스 구조이며, 그 고유전계는 전하분리를 가속화하는 것을 확인할 수 있었다. 계산된 밴드 구조와 밴드 에지 위치는 Sc 기반 MXene의 전자 구조가 알칼리 조건에서 광촉매 물분해 반응에 적합하다는 것을 보여주었다. Sc 기반 MXenes 표면의 흡착 깁스 자유 에너지에 대한 에너지 다이어그램을 통해 광 전이 전자 및 홀의 수소 및 산소 생성 반응에 대한 과전위을 검증하였다. 유전상수와 흡광계수 계산을 통해 이중층 Sc2CO2와 Sc2CF2/Sc2CO2 이종구조의 광흡수효율이 단층 Sc2CO2보다 높은 것을 확인할 수 있었다. 또한 계면에서 기하학 의해 유도된 밴드갭 감소가 CBM 및 VBM에 대한 부분 전하 밀도 분포를 통한 흡수 성능 향상의 주요 원인임이 밝혀졌다. 다중 스케일 시뮬레이션을 사용하여 g-C3N4/TiO2 헤테로 접합의 Z-scheme 전하 분리에서 폴라론 형성의 영향을 체계적으로 연구하였다. g-C3N4/TiO2 헤테로 접합부의 계면에 폴라론이 존재 시 계면 쌍극자 모멘트가 강화되어 전하분리의 구동력이 강화되고, g-C3N4의 anatase TiO2 전도대 및 원자가대로부터 전자의 계면 재결합이 가속화됨을 확인하였다. Z-scheme 전하 수송의 향상은 NAMD(비단열 분자 역학) 계산과 고전적인 Shockley-Read-Hall(SRH) 재조합 모델의 비교를 통해 더욱 입증되었으며, 이는 폴라론 없는 모델보다 각각 3.7배와 3.5배 더 큰 이론적 재조합 속도 변화를 주었다. 태양광 발전(PV) 및 광전자 화학(PEC) 장치를 통한 인공 광합성 태양 연료의 생산에 혁명을 일으킬 수 있는 잠재력을 가지고 있다. 그러나 PV-PEC 연구를 위한 새로운 재료를 개발하는 것은 시간이 많이 걸리고 힘든 작업이다. 따라서, 인공지능, 특히 기계 학습을 활용함으로써 화학식에서 파생된 373가지 특징만을 사용하여 재료의 전자적 특성을 성공적으로 예측하였다. Gradient Boosting Algorithm을 활용하면서 분류 모델의 경우 데이터 세트의 불균형을 극복하기 위해 오버샘플링 기법을 적용하였다. 0.97의 정확도로, 재료는 3.0 eV 이내의 대역 갭 값을 갖는 'PV-PEC promising' 클래스로 성공적으로 분류하였다. 특이치를 제거함으로써 회귀 모형은 평균 절대 오차를 기준으로 0.24 eV의 낮은 오차로 밴드 간격 값을 예측할 수 있었다. 특성 중요도와 부분 의존성을 조사하여 목표값과 특성 사이의 관계가 밝혀내었다. 학습된 기계 학습 모델을 통해 PV-PEC 분야를 위한 새로운 재료를 설계하는 더 효율적인 방법을 제공할 뿐만 아니라 목표 값과 특성 사이의 상관관계를 밝힐 수 있었다.