第1章：触媒の基礎

1.1 触媒とは何か？

定義

触媒とは、自身は消費されずに化学反応の速度を増加させる物質です。触媒は反応機構に関与しますが、最後に再生され、複数の反応サイクルを触媒することができます。

ベルセリウス（1835年）：「触媒とは、その存在だけで、そうでなければ起こらない化学反応を引き起こす物質である。」

触媒の主要な特性：

• 消費されない：各触媒サイクル後に再生される
• 活性化エネルギーを低下：代替の反応経路を提供
• 熱力学を変えない：非自発的反応を自発的にすることはできない
• 速度論のみに影響：反応速度を変えるが、平衡位置は変えない

触媒サイクル

すべての触媒反応は、触媒が以下を行うサイクルに従います：

1. 結合：反応物に結合 - 吸着または配位
2. 活性化：反応物を活性化 - 活性化エネルギーを低下
3. 促進：結合の切断/形成を促進
4. 放出：生成物を放出 - 脱離
5. 復帰：元の状態に戻る - 次のサイクルの準備完了

1.2 活性化エネルギーと反応速度論

アレニウスの式

反応速度定数 $k$ は、アレニウスの式に従って温度に依存します：

ここで：

• $k$ = 速度定数
• $A$ = 頻度因子（指数前因子）
• $E_a$ = 活性化エネルギー（J/mol）
• $R$ = 気体定数（8.314 J/mol·K）
• $T$ = 温度（K）

触媒が活性化エネルギーを低下させる仕組み

触媒は、より低い活性化エネルギー障壁を持つ代替の反応経路を提供します。全体の熱力学（$\Delta G$）は変わりませんが、速度論的障壁が低減されます。

コード例1：活性化エネルギーの可視化

"""
触媒が活性化エネルギーに与える効果を可視化
触媒ありなしの反応座標図を表示
"""
import numpy as np
import matplotlib.pyplot as plt

# 反応座標（任意単位）
x = np.linspace(0, 10, 200)

# エネルギープロファイル
def energy_profile(x, Ea, delta_H):
    """ガウス型エネルギープロファイルを生成"""
    peak_pos = 5
    width = 1.5
    return Ea * np.exp(-(x - peak_pos)**2 / (2 * width**2)) + \
           delta_H * (1 / (1 + np.exp(-2*(x - peak_pos))))

# パラメータ
delta_H = -20  # 発熱反応 (kJ/mol)
Ea_uncatalyzed = 80  # kJ/mol
Ea_catalyzed = 40    # kJ/mol

# プロファイル計算
E_uncatalyzed = energy_profile(x, Ea_uncatalyzed, delta_H)
E_catalyzed = energy_profile(x, Ea_catalyzed, delta_H)

# 反応物が0から始まるように正規化
E_uncatalyzed = E_uncatalyzed - E_uncatalyzed[0]
E_catalyzed = E_catalyzed - E_catalyzed[0]

# プロット
fig, ax = plt.subplots(figsize=(10, 6))

ax.plot(x, E_uncatalyzed, 'b-', linewidth=2, label='触媒なし')
ax.plot(x, E_catalyzed, 'r-', linewidth=2, label='触媒あり')

# 活性化エネルギーをマーク
ax.annotate('', xy=(5, max(E_uncatalyzed)), xytext=(5, 0),
            arrowprops=dict(arrowstyle='<->', color='blue'))
ax.text(5.3, max(E_uncatalyzed)/2, f'Ea = {Ea_uncatalyzed} kJ/mol',
        color='blue', fontsize=10)

ax.annotate('', xy=(5, max(E_catalyzed)), xytext=(5, 0),
            arrowprops=dict(arrowstyle='<->', color='red'))
ax.text(5.3, max(E_catalyzed)/2 - 5, f'Ea = {Ea_catalyzed} kJ/mol',
        color='red', fontsize=10)

# ラベルと書式設定
ax.axhline(y=0, color='gray', linestyle='--', alpha=0.5)
ax.axhline(y=delta_H, color='gray', linestyle='--', alpha=0.5)
ax.text(0.5, 2, '反応物', fontsize=11)
ax.text(8.5, delta_H + 2, '生成物', fontsize=11)
ax.text(9, delta_H/2, f'ΔH = {delta_H} kJ/mol', fontsize=10, color='green')

ax.set_xlabel('反応座標', fontsize=12)
ax.set_ylabel('エネルギー (kJ/mol)', fontsize=12)
ax.set_title('触媒が活性化エネルギーに与える効果', fontsize=14, fontweight='bold')
ax.legend(fontsize=11)
ax.set_xlim(0, 10)
ax.set_ylim(-30, 90)
ax.grid(alpha=0.3)

plt.tight_layout()
plt.show()

# 速度向上率の計算
R = 8.314  # J/mol·K
T = 300    # K

k_ratio = np.exp((Ea_uncatalyzed - Ea_catalyzed) * 1000 / (R * T))
print(f"\nT = {T} K において:")
print(f"速度向上率 (k_cat / k_uncat) = {k_ratio:.2e}")
print(f"触媒により反応は {k_ratio:.0f} 倍速くなります！")

T = 300 K において:
速度向上率 (k_cat / k_uncat) = 1.07e+07
触媒により反応は 10,700,000 倍速くなります！

1.3 均一系触媒 vs 不均一系触媒

分類の概要

不均一系触媒：ラングミュア-ヒンシェルウッド機構

不均一系触媒では、反応は以下のステップで触媒表面上で起こります：

1. 吸着：反応物が表面活性サイトに結合
2. 表面反応：吸着した種が反応
3. 脱離：生成物が表面から離れる

ラングミュア吸着等温式は表面被覆率を記述します：

ここで、$\theta$ は分率表面被覆率、$K$ は吸着平衡定数、$P$ は吸着質の分圧です。

コード例2：ラングミュア吸着等温線

"""
異なる吸着強度に対するラングミュア吸着等温線を可視化
結合親和性が表面被覆率にどう影響するかを示す
"""
import numpy as np
import matplotlib.pyplot as plt

# 圧力範囲
P = np.linspace(0, 10, 200)

# ラングミュア等温線
def langmuir(P, K):
    """分率表面被覆率を計算"""
    return K * P / (1 + K * P)

# 異なる吸着平衡定数
K_values = [0.1, 0.5, 1.0, 2.0, 5.0]
colors = plt.cm.viridis(np.linspace(0, 1, len(K_values)))

# プロット
fig, ax = plt.subplots(figsize=(10, 6))

for K, color in zip(K_values, colors):
    theta = langmuir(P, K)
    ax.plot(P, theta, color=color, linewidth=2, label=f'K = {K}')

ax.axhline(y=1, color='gray', linestyle='--', alpha=0.5, label='単分子層')
ax.set_xlabel('圧力（任意単位）', fontsize=12)
ax.set_ylabel('表面被覆率 θ', fontsize=12)
ax.set_title('ラングミュア吸着等温線', fontsize=14, fontweight='bold')
ax.legend(title='吸着定数', fontsize=10)
ax.set_xlim(0, 10)
ax.set_ylim(0, 1.1)
ax.grid(alpha=0.3)

# 注釈を追加
ax.annotate('強い吸着\n(高いK)', xy=(2, 0.9), fontsize=10, color='purple')
ax.annotate('弱い吸着\n(低いK)', xy=(6, 0.4), fontsize=10, color='green')

plt.tight_layout()
plt.show()

# 各Kに対するP = 1での被覆率を計算
print("\nP = 1 での表面被覆率:")
for K in K_values:
    theta = langmuir(1, K)
    print(f"  K = {K}: θ = {theta:.3f} ({theta*100:.1f}%)")

1.4 酵素触媒

生体触媒

酵素は生体触媒です - 特定の生化学反応を驚くべき効率と選択性で触媒するタンパク質です。主な特徴：

• 高い特異性：各酵素は特定の反応を触媒
• 莫大な速度向上：10⁶ から 10¹⁷ 倍
• 穏やかな条件：室温、中性pH、水溶液
• 制御：活性は阻害剤、活性化剤で制御可能

ミカエリス-メンテン速度論

酵素速度論はミカエリス-メンテンの式で記述されます：

ここで：

• $v$ = 反応速度
• $V_{max}$ = 最大速度（基質飽和時）
• $[S]$ = 基質濃度
• $K_M$ = ミカエリス定数（$v = V_{max}/2$ での基質濃度）

コード例3：ミカエリス-メンテン酵素速度論

"""
ミカエリス-メンテン酵素速度論を可視化
飽和挙動とKmの決定を示す
"""
import numpy as np
import matplotlib.pyplot as plt

# 基質濃度
S = np.linspace(0, 100, 200)

# ミカエリス-メンテンの式
def michaelis_menten(S, Vmax, Km):
    """反応速度を計算"""
    return Vmax * S / (Km + S)

# 異なる酵素のパラメータ
enzymes = {
    '炭酸脱水酵素': {'Vmax': 100, 'Km': 8},
    'キモトリプシン': {'Vmax': 80, 'Km': 25},
    'リゾチーム': {'Vmax': 60, 'Km': 50}
}

# プロット
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5))

# 左：ミカエリス-メンテンプロット
for name, params in enzymes.items():
    v = michaelis_menten(S, params['Vmax'], params['Km'])
    ax1.plot(S, v, linewidth=2, label=f"{name} (Km={params['Km']})")

    # KmとVmax/2をマーク
    ax1.axhline(y=params['Vmax']/2, color='gray', linestyle=':', alpha=0.3)
    ax1.axvline(x=params['Km'], color='gray', linestyle=':', alpha=0.3)

ax1.set_xlabel('[基質] (μM)', fontsize=12)
ax1.set_ylabel('反応速度 v (μM/s)', fontsize=12)
ax1.set_title('ミカエリス-メンテン速度論', fontsize=14, fontweight='bold')
ax1.legend(fontsize=10)
ax1.set_xlim(0, 100)
ax1.grid(alpha=0.3)

# 右：ラインウィーバー-バークプロット（二重逆数）
S_nonzero = S[1:]  # ゼロ除算を回避

for name, params in enzymes.items():
    v = michaelis_menten(S_nonzero, params['Vmax'], params['Km'])
    ax2.plot(1/S_nonzero, 1/v, linewidth=2, label=name)

ax2.set_xlabel('1/[S] (1/μM)', fontsize=12)
ax2.set_ylabel('1/v (s/μM)', fontsize=12)
ax2.set_title('ラインウィーバー-バークプロット', fontsize=14, fontweight='bold')
ax2.legend(fontsize=10)
ax2.set_xlim(-0.05, 0.3)
ax2.set_ylim(0, 0.05)
ax2.axhline(y=0, color='gray', linestyle='-', alpha=0.3)
ax2.axvline(x=0, color='gray', linestyle='-', alpha=0.3)
ax2.grid(alpha=0.3)

plt.tight_layout()
plt.show()

# 酵素の比較を表示
print("\n酵素速度論パラメータ:")
print("-" * 50)
for name, params in enzymes.items():
    kcat = params['Vmax'] / 0.001  # [E] = 1 nMと仮定
    efficiency = kcat / params['Km']
    print(f"{name}:")
    print(f"  Km = {params['Km']} μM")
    print(f"  Vmax = {params['Vmax']} μM/s")
    print(f"  触媒効率 (kcat/Km) ∝ {1/params['Km']:.3f}")

1.5 触媒性能指標

主要な性能指標

コード例4：触媒性能の計算

"""
触媒性能指標を計算して比較
TON、TOF、選択性、収率の計算を示す
"""
import numpy as np
import matplotlib.pyplot as plt

class CatalystPerformance:
    """触媒性能指標を計算"""

    def __init__(self, name):
        self.name = name
        self.reactions = []

    def add_reaction(self, time_h, n_catalyst_mol, n_reactant_initial,
                     n_reactant_final, n_desired_product, n_total_products):
        """反応データを追加"""
        self.reactions.append({
            'time': time_h,
            'n_cat': n_catalyst_mol,
            'n_react_0': n_reactant_initial,
            'n_react': n_reactant_final,
            'n_desired': n_desired_product,
            'n_total': n_total_products
        })

    def calculate_metrics(self):
        """すべての性能指標を計算"""
        results = []
        for rxn in self.reactions:
            ton = rxn['n_desired'] / rxn['n_cat']
            tof = ton / rxn['time']
            conversion = (rxn['n_react_0'] - rxn['n_react']) / rxn['n_react_0']
            selectivity = rxn['n_desired'] / rxn['n_total'] if rxn['n_total'] > 0 else 0
            yield_val = conversion * selectivity

            results.append({
                'time': rxn['time'],
                'TON': ton,
                'TOF': tof,
                'Conversion': conversion,
                'Selectivity': selectivity,
                'Yield': yield_val
            })
        return results

# 例：CO2水素化の3種類の触媒を比較
catalysts = []

# 触媒A：Ru/TiO2
cat_a = CatalystPerformance("Ru/TiO2")
cat_a.add_reaction(time_h=2, n_catalyst_mol=1e-5, n_reactant_initial=0.1,
                   n_reactant_final=0.03, n_desired_product=0.06, n_total_products=0.07)
catalysts.append(cat_a)

# 触媒B：Pd/C
cat_b = CatalystPerformance("Pd/C")
cat_b.add_reaction(time_h=2, n_catalyst_mol=1e-5, n_reactant_initial=0.1,
                   n_reactant_final=0.05, n_desired_product=0.04, n_total_products=0.05)
catalysts.append(cat_b)

# 触媒C：Cu/ZnO
cat_c = CatalystPerformance("Cu/ZnO")
cat_c.add_reaction(time_h=2, n_catalyst_mol=1e-5, n_reactant_initial=0.1,
                   n_reactant_final=0.02, n_desired_product=0.075, n_total_products=0.08)
catalysts.append(cat_c)

# 指標を計算して表示
print("触媒性能比較（CO2水素化）")
print("=" * 70)
print(f"{'触媒':<15} {'TON':>10} {'TOF (h⁻¹)':>12} {'転化率 (%)':>10} {'選択性 (%)':>10} {'収率 (%)':>10}")
print("-" * 70)

metrics_data = {}
for cat in catalysts:
    metrics = cat.calculate_metrics()[0]
    metrics_data[cat.name] = metrics
    print(f"{cat.name:<15} {metrics['TON']:>10.0f} {metrics['TOF']:>12.0f} "
          f"{metrics['Conversion']*100:>10.1f} {metrics['Selectivity']*100:>10.1f} "
          f"{metrics['Yield']*100:>10.1f}")

# 可視化
fig, axes = plt.subplots(1, 3, figsize=(14, 4))

names = list(metrics_data.keys())
colors = ['#f093fb', '#7c3aed', '#ec4899']

# TOF比較
tof_values = [metrics_data[name]['TOF'] for name in names]
axes[0].bar(names, tof_values, color=colors)
axes[0].set_ylabel('TOF (h⁻¹)', fontsize=11)
axes[0].set_title('ターンオーバー頻度', fontsize=12, fontweight='bold')

# 選択性比較
sel_values = [metrics_data[name]['Selectivity'] * 100 for name in names]
axes[1].bar(names, sel_values, color=colors)
axes[1].set_ylabel('選択性 (%)', fontsize=11)
axes[1].set_title('選択性', fontsize=12, fontweight='bold')
axes[1].set_ylim(0, 100)

# 収率比較
yield_values = [metrics_data[name]['Yield'] * 100 for name in names]
axes[2].bar(names, yield_values, color=colors)
axes[2].set_ylabel('収率 (%)', fontsize=11)
axes[2].set_title('総合収率', fontsize=12, fontweight='bold')
axes[2].set_ylim(0, 100)

for ax in axes:
    ax.grid(axis='y', alpha=0.3)

plt.tight_layout()
plt.show()

print("\n結論：Cu/ZnOがこの反応において最も優れた総合性能を示し、")
print("TOF、選択性、収率のすべてが最高です。")

1.6 触媒の歴史的発展

主要な発見の年表

コード例5：触媒開発の年表

"""
触媒の歴史的発展を可視化
主要な発見とその影響を示す年表
"""
import matplotlib.pyplot as plt
import numpy as np

# 歴史データ
events = [
    (1835, "触媒命名", "ベルセリウス", "基礎"),
    (1909, "ハーバー・ボッシュ", "ハーバー&ボッシュ", "アンモニア"),
    (1925, "フィッシャー・トロプシュ", "フィッシャー&トロプシュ", "燃料"),
    (1953, "チーグラー・ナッタ", "チーグラー&ナッタ", "ポリマー"),
    (1975, "三元触媒", "産業界", "排ガス"),
    (2001, "不斉触媒", "ノーベル賞", "医薬"),
    (2010, "クロスカップリング", "ノーベル賞", "合成"),
    (2025, "MOF", "ノーベル賞", "材料"),
]

# 図を作成
fig, ax = plt.subplots(figsize=(14, 6))

# 年表をプロット
years = [e[0] for e in events]
y_positions = [1 if i % 2 == 0 else -1 for i in range(len(events))]

# タイムラインを描画
ax.axhline(y=0, color='gray', linewidth=2)

# イベントをプロット
for i, (year, name, scientist, impact) in enumerate(events):
    color = plt.cm.viridis(i / len(events))
    ax.scatter(year, 0, s=150, c=[color], zorder=5, edgecolors='black')

    y_offset = y_positions[i] * 0.3
    ax.annotate(f"{year}\n{name}", xy=(year, 0), xytext=(year, y_offset),
                fontsize=9, ha='center', va='bottom' if y_offset > 0 else 'top',
                bbox=dict(boxstyle='round,pad=0.3', facecolor='white', edgecolor=color, alpha=0.9),
                arrowprops=dict(arrowstyle='-', color=color))

ax.set_xlim(1820, 2035)
ax.set_ylim(-0.8, 0.8)
ax.set_xlabel('年', fontsize=12)
ax.set_title('触媒の歴史的発展', fontsize=14, fontweight='bold')
ax.set_yticks([])

# 時代ラベルを追加
ax.axvspan(1830, 1910, alpha=0.1, color='blue', label='古典時代')
ax.axvspan(1910, 1970, alpha=0.1, color='green', label='工業化時代')
ax.axvspan(1970, 2030, alpha=0.1, color='red', label='現代')

ax.legend(loc='upper left', fontsize=10)
plt.tight_layout()
plt.show()

# 影響の統計を出力
print("\n数字で見る触媒の影響:")
print("-" * 50)
print("• 化学製品の90%が触媒を使用")
print("• ハーバー・ボッシュ：年間40億人以上を養う")
print("• 三元触媒：CO排出を95%削減")
print("• チーグラー・ナッタ：年間1.5億トン以上のポリマー")
print("• 酵素触媒：10^17倍の速度向上が可能")

1.7 章のまとめ

演習

演習1：活性化エネルギーの計算

ある反応の活性化エネルギーは、触媒なしで75 kJ/mol、触媒ありで50 kJ/molです。25°Cと100°Cでの速度定数の比を計算しなさい。

import numpy as np

R = 8.314  # J/mol·K
Ea_uncat = 75000  # J/mol
Ea_cat = 50000    # J/mol

for T in [298, 373]:  # 25°C と 100°C
    k_ratio = np.exp((Ea_uncat - Ea_cat) / (R * T))
    print(f"T = {T-273}°C において: k_cat/k_uncat = {k_ratio:.2e}")

演習2：ミカエリス-メンテン解析

ある酵素のKm = 15 μM、Vmax = 100 μM/sです。[S] = 5、15、45、150 μMでの反応速度を計算しなさい。

演習3：触媒の比較

触媒AはTON = 50,000、TOF = 2,500 h⁻¹です。触媒BはTON = 100,000、TOF = 1,000 h⁻¹です。(a)連続工業プロセス、(b)触媒量が限られたバッチ反応では、どちらの触媒を選びますか？

次の章

第2章：触媒の種類では、金属触媒、金属酸化物、ゼオライト、MOF（2025年ノーベル賞受賞！）、有機金属触媒、そして100%の原子効率を達成する革新的な単原子触媒を含む主要な触媒クラスを探求します。