第1章：触媒化学とマテリアルズ・インフォマティクスの役割

学習目標

本章を学習することで、以下のことができるようになります：

触媒の基礎理解：触媒の定義、役割、重要指標を説明できる
触媒分類：均一系・不均一系触媒の特徴を比較できる
課題認識：従来の触媒開発の限界を具体例とともに挙げられる
MI価値：マテリアルズ・インフォマティクスが触媒開発にもたらす価値を理解している
産業動向：触媒産業の市場規模と最新トレンドを把握している

1.1 触媒の基礎

1.1.1 触媒とは何か

定義：触媒（Catalyst）とは、化学反応の速度を変化させながら、自身は反応の前後で変化しない物質です。

触媒の役割： - 活性化エネルギー（Ea）の低減 - 反応速度の向上（数千倍〜数百万倍） - 反応選択性の制御

エネルギーダイアグラム：

エネルギー
    |
    |     非触媒反応: Ea（高）
    |       /\
    |      /  \
    |     /    \
    | 触媒反応: Ea'（低）
    |   /\  /\
    |  /  \/  \
    | /        \
    |_______________ 反応座標
   反応物 → 生成物

⇒ 触媒によりEa' < Ea（活性化エネルギー低減）
⇒ 反応速度 k = A * exp(-Ea / RT) が大幅に向上

重要な特性： 1. 活性（Activity）：単位時間あたりの生成物量 2. 選択性（Selectivity）：目的生成物の割合 3. 安定性（Stability）：触媒の寿命、劣化耐性

1.1.2 触媒の性能指標

ターンオーバー数（TON: Turnover Number）： - 定義：触媒1分子（または1サイト）あたりが変換する基質の分子数 - 式：TON = （生成物のモル数） / （触媒のモル数） - 例：TON = 10,000 → 触媒1分子が基質10,000分子を変換

ターンオーバー頻度（TOF: Turnover Frequency）： - 定義：単位時間あたりのTON - 式：TOF = TON / 時間 - 単位：s⁻¹ または h⁻¹ - 例：TOF = 100 s⁻¹ → 触媒1分子が毎秒100分子変換

ファラデー効率（FE: Faradaic Efficiency）（電気化学触媒）： - 定義：投入電荷のうち目的生成物に使われた割合 - 式：FE = （目的生成物への電荷） / （総電荷） × 100% - 例：CO2還元でFE(CO) = 80% → 電荷の80%がCO生成に寄与

1.2 触媒の分類

1.2.1 均一系触媒 vs 不均一系触媒

項目	均一系触媒	不均一系触媒
相	反応物と同じ相（主に液相）	反応物と異なる相（主に固体）
例	遷移金属錯体、酸・塩基	金属担持触媒、ゼオライト
活性サイト	明確（分子レベル）	不明確（表面サイト）
選択性	高い（立体選択性可能）	中〜高
回収	困難（分離が難しい）	容易（濾過・遠心分離）
工業応用	製薬、ファインケミカル	石油精製、化学品製造
主な反応	水素化、カップリング	接触分解、改質、酸化

均一系触媒の例：

ウィルキンソン触媒（Wilkinson's Catalyst）
[RhCl(PPh3)3]

用途：オレフィンの水素化
反応：R-CH=CH2 + H2 → R-CH2-CH3
特徴：高選択性、温和な条件（室温・常圧）

不均一系触媒の例：

ハーバー・ボッシュ触媒（Haber-Bosch Catalyst）
Fe3O4 / Al2O3 / K2O

用途：アンモニア合成
反応：N2 + 3H2 → 2NH3
条件：400-500°C、200-300気圧
産業規模：年間1億7000万トン（世界）

1.2.2 代表的な不均一系触媒の種類

1. 金属触媒 - 例：Pt, Pd, Ni, Ru - 反応：水素化、脱水素化、酸化 - 特徴：高活性だが高価（貴金属）

2. 金属酸化物触媒 - 例：TiO2, CeO2, V2O5 - 反応：選択酸化、光触媒 - 特徴：安価、熱安定性

3. ゼオライト触媒 - 例：ZSM-5、Y型ゼオライト - 反応：接触分解、異性化 - 特徴：細孔構造による形状選択性

4. 担持金属触媒 - 例：Pt/Al2O3, Pd/C - 構造：金属微粒子 + 担体（support） - 利点：金属分散度向上、比表面積増大

5. 単原子触媒（SAC: Single-Atom Catalyst） - 例：Pt1/CeO2（Pt原子が単原子で分散） - 利点：金属使用量最小化、高活性 - 課題：合成・安定化が困難

1.3 触媒開発の現状と課題

1.3.1 従来の触媒開発プロセス

典型的な開発フロー：

1. 文献調査・仮説設定（数週間〜数ヶ月）
   ↓
2. 触媒調製（数日〜数週間）
   - 金属前駆体の選定
   - 担体の選択
   - 調製法の検討（含浸、沈殿、イオン交換など）
   ↓
3. キャラクタリゼーション（数日）
   - XRD、TEM、BET、XPS測定
   ↓
4. 活性評価（数日〜数週間）
   - 反応条件の最適化
   - 転化率・選択性測定
   ↓
5. 結果解析・次実験計画（数日）
   ↓
6. ステップ2に戻る（反復）

総期間：数年〜10年以上

問題点： - 試行錯誤的（エジソン型研究） - 探索空間が膨大（組成・調製条件の組み合わせ） - 実験コストが高い（設備・時間・人件費） - 反応メカニズムが不明瞭

1.3.2 課題1：膨大な組成空間

例：3元系金属触媒の探索

A-B-C系触媒（例：Pt-Pd-Rh）

組成比：A:B:C = x:y:z（ただし x + y + z = 100%）
刻み幅：10%刻みで探索

組み合わせ数：
- 2元系（A-B）：11通り
- 3元系（A-B-C）：66通り
- 4元系（A-B-C-D）：286通り

さらに：
- 担体の種類：Al2O3, SiO2, CeO2, TiO2, ... (10種類)
- 調製法：含浸、共沈、水熱合成、... (5種類)

総組み合わせ = 66 × 10 × 5 = 3,300通り

⇒ 1実験1週間として、3,300週 = 約63年！

実際の化学空間： - 元素周期表：約80種類の金属元素 - 2元系合金：約3,200通り - 3元系合金：約82,000通り - 4元系以上：数百万〜数億通り

⇒ 全探索は事実上不可能

1.3.3 課題2：反応メカニズムの複雑性

不均一系触媒の反応ステップ：

表面反応のメカニズム（例：CO酸化）

1. 反応物の吸着
   CO(g) + * → CO*
   O2(g) + 2* → 2O*

2. 表面拡散
   CO* + O* → CO-O* (遷移状態)

3. 表面反応
   CO-O* → CO2* + *

4. 脱離
   CO2* → CO2(g) + *

各ステップの速度定数：k1, k2, k3, k4

全体の反応速度：
r = f(k1, k2, k3, k4, 吸着サイト数, 被覆率, ...)

⇒ 非常に複雑！

問題： - 律速段階が不明（どのステップが遅いか） - In situ測定が困難（高温・高圧下） - 理論計算（DFT）も膨大な計算コスト

1.3.4 課題3：触媒劣化の予測困難

触媒劣化の原因： 1. シンタリング（焼結）：金属粒子の凝集・粗大化 2. 被毒（Poisoning）：不純物の吸着（S, Cl, CO） 3. コーキング：炭素析出による閉塞 4. 相変化：結晶構造の変化 5. 担体の崩壊：熱・化学的劣化

予測の難しさ： - 劣化は長期的プロセス（数ヶ月〜数年） - 複数要因が同時進行 - 加速試験でも実用条件と乖離

1.4 MIが解決する触媒開発の課題

1.4.1 活性・選択性の予測

機械学習モデルによる予測：

入力（記述子）:
- 電子的記述子：d軌道占有数、仕事関数、バンド中心
- 幾何的記述子：原子半径、配位数、表面積
- 組成記述子：元素組成、電気陰性度

機械学習モデル:
- Random Forest
- Gradient Boosting
- Neural Network
- Graph Neural Network

出力:
- 活性（TOF、転化率）
- 選択性（目的生成物の収率）
- 安定性（寿命予測）

成功例： - CO酸化触媒：Pt-Pd-Rh組成最適化 - 従来：100サンプル実験 → 6ヶ月 - MI: 20サンプル実験 + 予測モデル → 1ヶ月 - 結果：活性1.5倍向上

1.4.2 ベイズ最適化による効率的探索

Active Learningサイクル：

flowchart LR A[初期データ\n10-20サンプル] --> B[機械学習\nモデル訓練] B --> C[予測\n未知組成の活性] C --> D[ベイズ最適化\n次実験の選定] D --> E[実験\n活性測定] E --> F{目標達成?} F -->|No| B F -->|Yes| G[最適触媒発見]

利点： - 実験回数を1/5〜1/10に削減 - 局所最適解を回避 - 不確実性を考慮した探索

実例： - 水素発生反応（HER）触媒 - 探索空間：Pt-Ni-Co-Fe 4元系 - 従来手法：286サンプル必要 - ベイズ最適化：45サンプルで最適組成発見 - 期間短縮：約85%削減

1.4.3 DFT計算との統合

Multi-Fidelity Approach：

High-Fidelity（高精度・高コスト）:
- DFT計算（First-Principles）
- 計算時間：数時間〜数日 / 1構造
- 精度：高い（±0.1 eV）

Low-Fidelity（低精度・低コスト）:
- 経験的モデル
- 機械学習予測
- 計算時間：数秒 / 1構造
- 精度：中（±0.3 eV）

統合戦略：
1. Low-Fidelityで広範囲スクリーニング（1万構造）
2. 有望候補（上位100）をHigh-Fidelityで精密計算
3. 両データでMLモデル訓練
4. 最適構造を実験検証

⇒ 計算コストを1/100に削減しつつ、高精度維持

1.4.4 反応メカニズムの自動解析

AI支援による遷移状態探索：

従来のDFT計算： - 研究者が遷移状態を推定 - NEB（Nudged Elastic Band）法で探索 - 1経路あたり数日〜数週間

AI支援アプローチ： - 機械学習で遷移状態を予測 - 自動経路探索 - 1経路あたり数時間

成果： - 遷移状態探索時間：1/10〜1/100 - 見落とし経路の発見 - 反応メカニズムの網羅的理解

1.5 触媒産業のインパクト

1.5.1 市場規模と成長

世界の触媒市場： - 2024年：約400億ドル - 2030年予測：約600億ドル - 年平均成長率（CAGR）：約6-7%

分野別市場シェア： 1. 石油精製：35%（接触分解、改質） 2. 化学品製造：30%（エチレン、プロピレン） 3. 環境触媒：20%（自動車排ガス、脱硝） 4. エネルギー変換：15%（燃料電池、水素製造）

地域別： - アジア太平洋：40%（中国、インドの成長） - 北米：30% - 欧州：25% - その他：5%

1.5.2 カーボンニュートラルへの貢献

CO2削減に貢献する触媒技術：

1. グリーン水素製造 - 技術：水電解（OER/HER触媒） - 目標：再エネ電力でH2製造 - 課題：高効率・低コスト触媒開発 - 市場：2030年に$5B予測

2. CO2還元・利用（CCU） - 技術：CO2 → CO、CH4、C2H4 - 触媒：Cu、Ag、Au系 - 目標：ファラデー効率 > 80% - インパクト：年間100万トンCO2削減可能

3. アンモニア合成（グリーンアンモニア） - 従来：Haber-Bosch（化石燃料由来H2） - 新技術：電解H2 + 低温触媒 - 削減：CO2排出を90%削減 - 用途：肥料、燃料

4. バイオマス変換 - 原料：セルロース、リグニン - 生成物：化学品、燃料 - 触媒：Pt/C、Ru/C、ゼオライト - 効果：化石資源依存度低減

1.5.3 主要企業と研究機関

触媒メーカー（世界トップ）： 1. BASF（ドイツ）：市場シェア約20% 2. Johnson Matthey（英国）：貴金属触媒 3. Clariant（スイス）：化学プロセス触媒 4. W.R. Grace（米国）：石油精製触媒 5. Umicore（ベルギー）：自動車触媒

日本企業： - 日揮触媒化成：石油化学触媒 - エヌ・イーケムキャット：ファインケミカル触媒 - 田中貴金属工業：貴金属触媒

研究機関： - SLAC National Accelerator Laboratory（米国） - Max Planck Institute for Chemical Energy Conversion（ドイツ） - 産業技術総合研究所（産総研）（日本） - 触媒学会（国際組織）

1.5.4 AI触媒開発の最新動向

主要プロジェクト：

1. Catalysis-Hub.org（米国SUNCAT） - データベース：20,000以上の触媒反応エネルギー - DFT計算結果の公開 - 機械学習モデルの共有

2. NREL Catalyst Discovery（米国） - ハイスループット実験 + ML - 水電解触媒の最適化 - 公開データセット提供

3. BASF Digital Catalyst Design（ドイツ） - 社内AI触媒開発プラットフォーム - 実験データ + DFT + ML統合 - 開発期間50%短縮を達成

4. Toyota Fuel Cell Catalyst（日本） - Pt使用量削減（単原子触媒） - MLによる組成最適化 - 2025年商用化目標

学術動向： - 論文数（"AI" + "Catalyst"）：2020年 500本 → 2024年 2,000本以上 - トップジャーナル：Nature Catalysis, ACS Catalysis, JACS - 国際会議：NAM（North American Catalysis Society Meeting）、ICAT

1.6 触媒MIの歴史

1.6.1 発展の経緯

1960-1980年代：理論的基礎 - Sabatier原理（1913）の再発見 - d-band理論（Hammer & Nørskov, 1995） - 計算化学の発展（DFT）

1990-2000年代：ハイスループット実験 - コンビナトリアル触媒化学 - 並列反応装置（96-wellプレート） - 自動分析システム

2010年代：機械学習の導入 - 記述子ベースMLモデル - ベイズ最適化の適用 - DFT + ML統合

2020年代：AI駆動型開発 - Graph Neural Network（GNN） - Transfer Learning - Autonomous Experimentation - Large Language Models（ChatGPT for Chemistry）

1.6.2 重要なマイルストーン

2015年：Nørskovグループ（Stanford） - 論文："Scaling Properties of Adsorption Energies for Hydrogen-Containing Molecules" - 吸着エネルギーのスケーリング則発見 - 影響：記述子削減、予測精度向上

2017年：Google Brain + SLAC - 論文："Machine Learning in Catalysis" - 30万のDFT計算データでML訓練 - 新触媒予測精度：R² = 0.92

2020年：Toyota - 単原子触媒（Pt1/CeO2）の実用化 - ML支援設計 - Pt使用量90%削減

2023年：Autonomous Lab - IBM、Liverpool大学 - ロボット実験 + AIによる完全自動化 - 24時間無人運転、1日100実験

まとめ

本章では、触媒の基礎から産業動向、MIの役割まで学びました：

学んだこと

触媒の基本： - 活性化エネルギー低減による反応加速 - 重要指標：活性、選択性、安定性 - 均一系 vs 不均一系触媒
触媒開発の課題： - 膨大な組成空間（3元系で数千通り） - 反応メカニズムの複雑性 - 劣化予測の困難さ
MIの貢献： - 活性・選択性の予測（ML） - ベイズ最適化による効率的探索 - DFT + ML統合 - 開発期間50-85%短縮
産業インパクト： - 市場規模$40B → $60B（2030年） - カーボンニュートラル実現の鍵 - 主要企業の積極投資

次のステップ

第2章では、触媒設計に特化したMI手法を詳しく学びます： - 触媒記述子の設計 - 活性予測モデルの構築 - ベイズ最適化の実装 - DFT計算との統合手法

第2章へ進む →

演習問題

基礎レベル

問題1：触媒の3つの重要指標（活性、選択性、安定性）を、それぞれ1文で説明してください。

問題2：以下の触媒を均一系・不均一系に分類し、それぞれの利点を1つ挙げてください： - Wilkinson触媒 [RhCl(PPh3)3] - Pt/Al2O3 - H2SO4 - ゼオライト

問題3：3元系触媒（A-B-C）を10%刻みで全探索する場合、何通りの組み合わせがありますか？計算過程を示してください。

中級レベル

問題4：CO酸化反応（CO + 1/2 O2 → CO2）の表面反応メカニズムを、以下の4ステップで記述してください： 1. 吸着 2. 表面拡散 3. 表面反応 4. 脱離

問題5：ベイズ最適化が従来の全探索法よりも効率的な理由を、「不確実性」「獲得関数」のキーワードを使って説明してください。

上級レベル

問題6：カーボンニュートラル実現に貢献する触媒技術を3つ挙げ、それぞれについて以下を説明してください： - 反応式 - 使用触媒（既存または開発中） - CO2削減効果の見積もり

問題7：触媒劣化の5つの原因（シンタリング、被毒、コーキング、相変化、担体崩壊）のうち、機械学習で予測しやすいもの2つと予測困難なもの1つを選び、その理由を説明してください。

参考文献

教科書

Nørskov, J. K., et al. (2011). Fundamental Concepts in Heterogeneous Catalysis. Wiley.
Bell, A. T., & Gates, B. C. (2021). Catalysis Science & Technology: Impact of Artificial Intelligence. RSC Catalysis Series.
van Santen, R. A., et al. (2008). Catalysis: An Integrated Textbook for Students. Elsevier.

重要論文

Nørskov, J. K., et al. (2011). "Towards the computational design of solid catalysts." Nature Chemistry, 3(5), 273-278.
Hammer, B., & Nørskov, J. K. (1995). "Why gold is the noblest of all the metals." Nature, 376, 238-240.
Ulissi, Z. W., et al. (2017). "To address surface reaction network complexity using scaling relations machine learning and DFT calculations." Nature Communications, 8, 14621.

オンラインリソース

Catalysis-Hub.org: https://www.catalysis-hub.org/
Materials Project: https://materialsproject.org/
ASE (Atomic Simulation Environment): https://wiki.fysik.dtu.dk/ase/

最終更新: 2025年10月19日 バージョン: 1.0