編譯／韋士塔

「氨」是全球年產量僅次硫酸的第2大基礎化學品，它不僅是製造農業肥料、養活全球數十億人口的生命線，更是未來零碳能源轉型中極具潛力的氫能載體。然而，過去1世紀以來，化學肥料的生產一直採用「哈伯法」（Haber-Bosch process），依賴化石燃料提供高溫高壓環境，氨的生產每年占全球能源消耗的2%，溫室氣體排放則占全球1.5%，嚴重衝擊環境。

為了打破這項高碳排魔咒，尋找更永續的氨生產方法，麻省理工學院（MIT）研究團隊開發出一套結合「量子力學密度泛函理論」（DFT）與「機器學習」的精準預測模型，能迅速在數百萬種合金組合中，精準篩選出最具潛力的「過渡金屬氮化物」（TMNs）電化學催化劑。

研究團隊在發表於英國皇家化學學會期刊《EES Catalysis》的報告中指出，這項成果不僅擺脫過去漫長且盲目的試錯法，更為無化石燃料、低耗能的「綠氨」（Green Ammonia）商業化生產奠定基礎。

主持這項研究計畫的MIT核科學與工程系暨材料科學與工程系（DMSE）教授尤迪茲（Bilge Yildiz）表示，傳統哈伯法需在400℃至500℃的高溫及150至250大氣壓的高壓環境下運行，且所需的氫氣主要源自天然氣蒸汽重組，因而產生大量二氧化碳；雖該工法極度成熟，但受限熱力學本質架構，難以滿足嚴格的碳中和目標。

至於電化學氮還原反應（NRR），則是在常溫常壓下，利用再生能源電力驅動質子、電子與氮氣進行合成反應。但此技術面臨瓶頸，生產效率與產量遠達不到工業規模，經濟效益難與化石燃料製程競爭。

MIT量子預測模型的技術革新，可望打破電化學綠氨合成的困局；MIT團隊鎖定「過渡金屬氮化物」，利用催化劑本身固有的氮原子直接參與化學反應，以創造連鎖步驟，進而大幅降低化學鍵斷裂所需的輸入能量。同時，團隊導入機器學習與量子預測模型，成功克服「氮分子解離」與「氫轉移」這兩大核心限速步驟，協助科學家精準且快速地找出兼具高選擇性與高產量的理想合金配方。

尤迪茲說：「我們的方法成功識別，驅動氨產生催化活性的微觀物理與電子特性，這讓研究人員不必再隨機測試數百萬種合金，而是直接評估材料在微觀層面的氮還原能力。」

參與這項研究的教授阿塔尼蒂斯（Constantine Athanitis）說：「我們需要愈來愈多的食物，而我們能養活這麼多人，唯一的原因就是肥料。如果想永續發展、實現能源及氣候變遷目標，需要替代方案，以更節能的方式生產更多氨，且碳排放更低。」

阿塔尼蒂斯強調，目前的研究成果仍屬於理論計算階段，但是，隨著候選材料的擴展，低成本、零碳排的綠氨生產將不再只是遙不可及的願景，而是指日可待的工業革命。