Videnskab
 science >> Videnskab >  >> Kemi

Takket være maskinlæring, fremtiden for katalysatorforskning er nu

300 kvaternære katalysatorer udtages tilfældigt fra et stort materialerum, hvor deres ydeevne i forhold til OCM systematisk evalueres ved eksperimenter med høj gennemstrømning, efterfulgt af maskinlæring, at identificere et forudindtaget datasæt for at lære de underliggende mønstre i katalysatorydelse, som til sidst bruges til yderligere katalysatorfund. Kredit:JAIST

Til dato, forskning inden for kombinatoriske katalysatorer har påberåbt sig serendipitøse opdagelser af katalysatorkombinationer. Nu, forskere fra Japan har strømlinet en protokol, der kombinerer stikprøver, eksperimenter med høj kapacitet, og datavidenskab for at identificere synergistiske kombinationer af katalysatorer. Med dette gennembrud, forskerne håber at fjerne grænserne for forskning ved at stole på tilfældige opdagelser og få deres nye protokol brugt oftere i katalysatorinformatik.

Katalysatorer, eller deres kombinationer, er forbindelser, der signifikant sænker den energi, der kræves for at drive kemiske reaktioner til afslutning. Inden for kombinatorisk katalysatordesign, kravet om synergi - hvor en komponent i en katalysator supplerer en anden - og eliminering af ineffektive eller skadelige kombinationer er centrale overvejelser. Imidlertid, indtil nu, kombinatoriske katalysatorer er designet med brug af forudindstillede data eller trial-and-error, eller serendipitøse opdagelser af kombinationer, der virkede. En gruppe forskere fra Japan har nu søgt at ændre denne tendens ved at prøve at udtænke en gentagelig protokol, der er baseret på et screeningsinstrument og software-baseret analyse.

Deres nye undersøgelse, udgivet i ACS -katalyse , beskriver identifikationen af ​​effektive katalysatorkombinationer, ved hjælp af den foreslåede protokol, til oxidativ kobling af metan (OCM). OCM er en meget udbredt kemisk reaktion, der bruges til at omdanne metan til nyttige gasser i nærvær af ilt og katalysatoren. Uddybning af motiverne bag undersøgelsen, Dr. Toshiaki Taniike, Professor ved School of Materials Science, Japan Advanced Institute of Science and Technology og tilsvarende forfatter til undersøgelsen, siger, "Kombinationskatalysatordesign er næppe generaliserbart, og det empiriske aspekt af forskningen har forudindtaget litteraturdata mod tilfældigt fundne kombinationer. "

For at udlede et biasfrit datasæt fra OCM til udarbejdelse af protokollen, forskerne udtog tilfældigt 300 faste katalysatorer fra et stort materialerum med op til 36, 000 katalysatorer! Screening af et så stort antal katalysatorer er næsten umuligt af menneskelige standarder. Derfor, teamet brugte et screeningsinstrument med høj kapacitet til at evaluere deres præstationer ved at lette OCM. Det opnåede datasæt blev brugt til at skitsere den nye protokol, rettet mod at give en retningslinje for katalysatordesign. Dette blev implementeret i form af en beslutningstræklassificering, som er en form for maskinlæring, der hjalp med at forstå effektiviteten af ​​de udvalgte katalysatorkombinationer, i at give bedre OCM -udbytte. Det her, på tur, hjalp med at udarbejde de nødvendige retningslinjer for design af katalysatorer.

Interessant nok, resultaterne viste, at selv med stikprøver, 51 ud af de 300 katalysatorer gav et bedre OCM-udbytte sammenlignet med den alternative ikke-katalytiske proces. Forklarer de potentielle konsekvenser af deres opdagelse, Dr. Keisuke Takahashi, Lektor ved Hokkaido University og medforfatter af denne undersøgelse, siger, "Kombinationen af ​​eksperimenter med høj gennemstrømning og datavidenskab har allerede demonstreret kraften i biasfrie katalysator big data til at finde nye katalysatorer samt en katalysator designretningslinje. Det er også vigtigt at angive essensen af ​​disse tilgange til implementering af så krævende studere i en realistisk tidsramme. Ved at udstyre alle de væsentlige teknikker i undersøgelsen, virkelig ikke -empiriske katalysatorudviklinger kunne realiseres. "

Ja, vi kan håbe, sammen med forskerne, at denne strategi vil 'katalysere' flere fremtidige materialevidenskabelige opdagelser.


Varme artikler