针对稀燃发动机排放的法规(例如欧7标准)日益严格，即将出台。这需要开发能够在低温下有效还原有毒氮氧化物的催化材料。查尔姆斯理工大学物理系的研究人员与工业合作伙伴优美科(Umicore)合作，正在开展一项研究，展示机器学习如何帮助发动机更清洁地运行。

催化转化器可以减少车辆排气系统排放到空气中的有毒污染物。未来几年，欧盟将出台更严格的排放标准，例如欧盟拟议的欧7标准，旨在进一步减少车辆的空气污染。因此，需要改进催化剂来限制有害污染物的排放。

氮氧化物选择性催化还原的主要技术是使用氨作为还原剂。因此，催化材料应在富氧环境中促进氮氧化物和氨之间形成氮-氮键，并防止不必要的反应，例如氨氧化成更多的氮氧化物或一氧化二氮。

沸石是一种强大的催化剂材料

一种对选择性催化还原反应具有高活性的材料是铜促进的菱沸石。沸石是由小通道和笼状结构组成的水合结晶铝硅酸盐，铜以单电荷或双电荷铜离子的形式存在。

铜交换菱沸石材料已被证明是一种高度动态的材料。在典型的低温条件下，铜离子被氨溶剂化，形成带电的氨-铜-氨复合物，漂浮在沸石孔道和笼状结构中。复合物的流动性对催化剂的性能至关重要，因为反应需要在同一沸石笼状结构中存在两个复合物才能进行。

查尔姆斯理工大学物理系教授 Henrik Grönbeck 表示：“由于催化剂的高度动态特性，计算研究对于了解详细结构和成分如何影响性能非常重要。”

“在我们最近的研究中，我们开发了一种机器学习力场——一种用于描述原子间力的计算模型。我们的力场包含长程静电相互作用，这使得研究带电氨-铜-氨复合物的扩散成为可能。”

该研究最近发表在《自然通讯》杂志上，由物理系博士生 Henrik Grönbeck 教授、Joachim Bjerregaard 和工业合作伙伴 Umicore 和达姆施塔特工业大学的 Martin Votsmeier 教授在 CHASS 项目内撰写。

保证高精度

传统的机器学习力场假设了局部性，无法描述在很大程度上决定沸石体系性质的长程库仑相互作用。新开发的机器学习力场基于广泛的第一性原理计算，保证了高精度。

Bjerregaard 表示： “利用机器学习力场，可以揭示带电氨-铜-氨扩散的原子机制，并了解材料的组成如何影响带电氨-铜-氨对的形成及其稳定性。”

这项工作为提高催化材料在氮氧化物还原中的性能提供了新方法，或扩展到其他潜在的应用，例如将二氧化碳一步转化为甲醇或更长的碳氢化合物。

Grönbeck 表示：“将精确的机器学习力场应用于沸石系统是一项令人兴奋的发展，它有助于我们加速对复杂系统的理解并提出新的高效催化材料。”

更多信息： Joachim D. Bjerregaard 等人，铝分布对 Cu-CHA 中 [Cu(NH 3 ) 2 ] +配合物 扩散机制及配对的影响，《自然通讯》 (2025)。期刊信息： 《自然通讯》