AI-drevet laboratorium fremskynder katalyseforskning

Forskere har udviklet et "selvkørende" laboratorium, der bruger kunstig intelligens (AI) og automatiserede systemer til at levere dybdegående analyser af katalytiske reaktioner, der bruges i kemisk forskning og fremstilling. Det nye værktøj, kaldet Fast-Cat, kan give flere oplysninger på fem dage, end det er muligt i seks måneders konventionel test.

Forskningspapiret, "Autonomous reaction pareto-front mapping with a self-driving catalysis lab," vises i tidsskriftet Nature Chemical Engineering .

Det drejer sig om udbyttet og selektiviteten af ​​kemiske reaktioner i nærvær af molekyler kaldet ligander.

Udbytte refererer til, hvor effektivt en kemisk reaktion producerer et ønsket produkt ud fra de kemikalier, du startede med. Selektivitet refererer til, i hvilket omfang du kan få en kemisk reaktion til at producere et specifikt produkt i stedet for at skabe flere produkter. Ligander er meget udbredt i katalyse, fremskynder og kontrollerer selektiviteten af ​​kemiske reaktioner, der anvendes i processer lige fra industriel kemi til farmaceutisk fremstilling.

Fra et industriperspektiv ønsker du det højest mulige udbytte og selektivitet. Fordi de specifikke trin, du tager, når du udfører den katalytiske reaktion, kan påvirke både udbytte og følsomhed, bruger industrielle kemikere en enorm mængde tid og kræfter på at forsøge at finde de nødvendige parametre for at opnå det mest ønskelige reaktionsresultat.

"Problemet er, at konventionelle katalysatoropdagelses- og udviklingsteknikker er tids-, materiale- og arbejdskrævende," siger Milad Abolhasani, tilsvarende forfatter til et papir om arbejdet og en lektor i kemisk og biomolekylær ingeniørvidenskab ved North Carolina State University.

"Disse teknikker er i vid udstrækning afhængige af manuel prøvehåndtering med batch-reaktorer, såvel som menneskelig intuition og erfaring til at drive den eksperimentelle planlægning. Ud over de materielle ineffektiviteter skaber denne menneskeafhængige tilgang til katalysatorudvikling et stort tidsrum mellem udførelsen af ​​reaktionen , karakterisere produktet og tage en beslutning om det næste eksperiment. Derfor har vi skabt Fast-Cat. Vi er nu i stand til bedre at forstå, hvordan en specifik ligand klarer sig på fem dage, end det tidligere var muligt på seks måneder>

Fast-Cat er fuldstændig autonom og bruger kunstig intelligens og automatiserede systemer til kontinuerligt at køre gas-væske-reaktioner med høj temperatur, højtryk. Den autonome teknologi analyserer også outputtet fra hver af disse reaktioner for at bestemme – uden menneskelig indgriben – hvordan forskellige variable påvirker resultatet af hvert eksperiment.

Fast-Cat bruger resultaterne fra alle de tidligere eksperimenter, den har kørt – både succeser og fiaskoer – til at informere om, hvilket eksperiment den vil køre næste gang.

"Fast-Cats AI udvikler sig konstant og lærer af de eksperimenter, den allerede har udført," siger Abolhasani.

I lægmandssprog lader brugere Fast-Cat vide, hvilke ligander og prækursorkemikalier den har til at starte med, og se derefter, hvor meget den kan lære over 60 eksperimenter.

"Vi brugte meget tid på at finjustere Fast-Cats AI-model for at optimere dens evne til at give den bredest mulige forståelse af, hvordan forskellige parametre påvirker selektiviteten og udbyttet af katalytiske reaktioner ved hjælp af en specifik ligand," siger Abolhasani.

"Vi brugte også meget tid på at sikre, at Fast-Cats resultater er skalerbare. Fast-Cat udfører sine eksperimenter med ekstremt små stikprøvestørrelser. Men hvis vi ønsker, at dets resultater skal være relevante til praktisk brug, var vi nødt til at vide, at Fast-Cat's resultater gælder for reaktioner udført i stor skala, der er relevante for industriel fremstilling."

Til proof-of-concept-testning brugte forskerne Fast-Cat til at karakterisere den katalytiske ydeevne af seks ligander, som allerede findes i forskningslitteraturen.

"Denne teknologi giver dybdegående optimering af hver unik ligand," siger Dawn Mason, global ekstern innovationschef hos Eastman, en global specialmaterialevirksomhed, der støttede arbejdet. "For første gang er vi i stand til hurtigt at vurdere en lang række parametre og opnå en virkelig dybdegående forståelse af, hvordan vi kan påvirke ydeevnen af ​​hver ligand. Vi mere end fordoblede rækken af ​​mulige selektivitets- og udbytteendepunkter for hver ligand. undersøgt. Utroligt nok tog det kun fem dage at vurdere hver enkelt."

"Der er ægte værdi for den kemiske og farmaceutiske industri i en bedre forståelse af, hvordan man kan påvirke de katalytiske processer, de bruger i fremstillingen," siger Jeff Carbeck, vicepræsident for virksomhedsinnovation hos Eastman. "Fast-Cat giver denne forståelse – og gør det hurtigt, effektivt og samtidig med at de bruger små mængder af de relevante ligander og kemiske prækursorer. Med andre ord er det hurtigt, billigt og meget effektivt."

Forskerne har gjort softwaren og hardwaren offentligt tilgængelig, så Fast-Cat kan bruges til at lette yderligere forskning.

"Vi håber, at andre forskere kan anvende denne teknologi for at fremskynde opdagelsen af ​​katalyse i den akademiske verden og industrien," siger Abolhasani.

Papiret var medforfatter af Jeffrey Bennett, en postdoc-forsker ved NC State; Negin Orouji og Sina Sadeghi, der begge er ph.d. studerende ved NC State; Muzammil Khan, en tidligere postdoc-forsker ved NC State; og Jody Rodgers fra Eastman.

Flere oplysninger: Autonom Reaction Pareto-Front Mapping med et selvkørende katalyselaboratorium, Nature Chemical Engineering (2024). DOI:10.1038/s44286-024-00033-5. www.nature.com/articles/s44286-024-00033-5

Journaloplysninger: Nature Chemical Engineering

Leveret af North Carolina State University