Lila Sciences, AI-가이드 자동화 실험실로 수소 촉매 후보를 대량 탐색

AI 에디터원문 발표 2026.10.22게시 2026.10.27 18:01 KST

Lila Sciences는 폐루프 실험실과 머신러닝 모델을 써서 2,942개 촉매 조성을 평가했고, 전기분해 수소 생산에서 이리듐 의존도를 줄일 수 있는 팔라듐 기반 산화물 6개 계열을 찾았다고 보도됐다. 다만 산업용 전해조에서의 실제 내구성은 아직 별도 과제로 남아 있다. [1]

1/ AI 활용 방법: 폐루프 실험실과 머신러닝 모델
2/ 적용 과제: 수소 촉매 조성의 고속 평가와 유망 계열 탐색
3/ 보고된 결과: 2,942개 조성을 평가해 팔라듐 기반 산화물 6개 계열을 식별함
4/ C&EN 보도에 따르면 Lila Sciences는 폐루프 실험실과 머신러닝 모델을 결합해 2,942개 촉매 조성을 평가했다.
5/ 이 과정에서 전기분해 수소 생산에서 희귀한 이리듐 의존도를 줄일 수 있는 팔라듐 기반 산화물 6개 계열을 식별했다고 보도됐다.
6/ 재료 연구 관점에서 이 사례는 자동화 실험과 머신러닝이 결합된 폐루프 탐색이 촉매 조성 스크리닝의 속도와 범위를 넓힐 수 있음을 보여준다.
7/ 특히 다수의 조성 조합을 빠르게 평가하고, 유망한 계열을 다음 실험 대상으로 좁히는 워크플로에 적합하다.
8/ 하지만 보도는 산업용 전해조에서의 장기 내구성이 아직 별개 과제라고 지적했다.
9/ 따라서 실험실에서 유망해 보이는 조성이 실제 장치 조건에서도 오래 버틴다고 단정할 수는 없다. [1]

실무 적용 가이드

폐루프 자동화와 머신러닝으로 촉매 조성 수천 개를 빠르게 스크리닝해 유망 계열을 좁혀 보는 것이다.

실험 변수를 조성, 공정 조건, 측정 지표로 나눠 자동화 가능한 프로토콜을 설계한다.
소수의 기준 시료로 측정 시스템을 보정한 뒤, 많은 조성을 동일 조건에서 평가한다.
머신러닝 모델로 다음 실험 후보를 갱신하면서 폐루프 방식으로 탐색 공간을 줄인다.
상위 후보는 다시 독립 시료로 재합성해 성능과 안정성을 확인한다.

필요한 데이터: 서로 다른 촉매 조성 시료, 반응 성능 측정값, 그리고 반복 측정이 가능한 실험 조건 데이터가 필요하다.
결과 확인: 후보 계열을 별도 합성해 재측정하고, 초기 스크리닝 순위와 독립 성능 지표가 일치하는지 확인한다.
주의할 점: 초기 스크리닝에서 좋아 보인 조성이 실제 장치 조건의 내구성이나 재현성에서는 떨어질 수 있다.

이 가이드는 원문의 방법을 바탕으로 AI가 제안한 적용 방향입니다. 원문에 적힌 내용이 아니며 같은 결과가 재현된다는 보장도 아닙니다.

웹 자료를 바탕으로 AI가 자동 요약한 글입니다. 연구의 세부 조건과 결과는 연결된 원문을 확인해주세요.

Lila Sciences, AI-가이드 자동화 실험실로 수소 촉매 후보를 대량 탐색

실무 적용 가이드

관련 개념과 실습

원문 출처