Kunstig intelligens og automatiseret laboratorieinfrastruktur accelererer enormt udviklingen af nye kemiske katalysatorer. Med disse værktøjer udvikler forskere ved ETH Zürich katalysatorer til effektiv og omkostningseffektiv syntetisering af energikilden methanol fra CO2 .
Katalysatorer er kemiens hårdtarbejdende små hjælpere. De fremskynder reaktioner og reducerer den energi, der kræves for at en reaktion kan finde sted. Jo mere specifik og effektiv en katalysator er, desto mere effektivt undertrykkes eventuelle uønskede sidereaktioner.
I naturen har enzymer til opgave specifikt at booste de nødvendige metaboliske processer blandt de næsten uendelige reaktionsmuligheder for den kemiske suppe i celler. I kemiske anlæg anvendes metalkatalysatorer sædvanligvis til at øge produktudbyttet.
Forskerne, der arbejder på den schweiziske Cat+ teknologiplatform ved ETH Zürich, med Paco Laveille i spidsen, har nu udviklet en fuldt digitaliseret og automatiseret metode, der gør dem i stand til at finde nye og bedre metalkatalysatorer meget hurtigere end tidligere. Deres proces består af en kombination af kunstig intelligens (AI) til beregning af lovende katalysatorsammensætninger og et automatiseret syntese- og testlaboratorium.
Med denne infrastruktur tog det holdet mindre end seks uger at udvikle omkring 150 katalysatorsammensætninger til fremstilling af methanol ud fra CO2 . De bedste katalysatorer er omkostningseffektive og udviser høje konverteringsrater med en lav andel af biprodukter. "Denne nye metode sparer enormt meget tid," siger Laveille. "Med en konventionel tilgang ville vores eksperimenter have taget år."
Forskerne har publiceret to artikler om deres metode. Den første blev udgivet sidste år i CHIMIA og den anden i denne uge i Chem Catalysis .
Methanol betragtes som et af nøgleelementerne for en bæredygtig kulbrinteøkonomi. En nær kemisk slægtning til ethanol (dvs. at drikke alkohol), kan bruges både som brændstof og som råmateriale til fremstilling af organiske forbindelser såsom medicin, plast eller maling.
Fordi det er en væske, er methanol meget lettere at transportere og opbevare end gasformig brint og metan, to andre energikilder. Hvad mere er, kræver brug af methanol i den eksisterende forsyningsinfrastruktur og motorer i nutidens benzinteknologi kun mindre ændringer.
I søgen efter optimale katalysatorer til methanolproduktion er der ét stort problem:Teoretisk kan atomer kombineres på et næsten uendeligt antal måder for at danne en katalysator. "Det kemiske rum, hvor vi søger efter katalysatorer, omfatter omkring 10 20 muligheder – det er hundrede milliarder milliarder. Så vi leder bogstaveligt talt efter en nål i den kemiske høstak," forklarer Christophe Copéret, professor ved Laboratory of Inorganic Chemistry ved ETH Zürich og medinitiativtager til Swiss Cat+-projektet.
For at indsnævre det enorme udvalg af muligheder foretog forskerne et forvalg baseret på erfaring og økonomiske krav. En katalysator, der kan bruges i stor skala, skal ikke kun være effektiv, men også billig. Af den grund var de vigtigste aktive ingredienser til katalysatoren begrænset til tre forholdsvis billige metaller:jern, kobber og kobolt.
Ud over disse hovedmetaller overvejede forskerne tre grundstoffer, som traditionelt tilsættes katalysatorer i små mængder med henblik på doping, samt kalium, som også er indeholdt i mange katalysatorer. Med hensyn til bærematerialer begrænsede forskerne sig til fire typiske metaloxider. Multipliceret med de forskellige blandingsforhold resulterede dette stadig i 20 millioner mulige kombinationer.
Tag iterative trin med AI-understøttet statistik
På dette tidspunkt bragte forskerne en AI-algoritme i spil, der bruger det, der er kendt som Bayesiansk optimering til at finde de bedst mulige løsninger. Denne særlige form for statistik er særligt velegnet, når kun en lille mængde data er tilgængelig. I modsætning til klassisk statistik stammer sandsynligheden ikke fra den relative frekvens som beregnet ud fra adskillige eksperimenter. I stedet tager beregningen højde for den sandsynlighed, der kan forventes ud fra den aktuelle viden.
I den indledende runde valgte algoritmen tilfældigt 24 katalysatorsammensætninger, der opfyldte de specifikationer, der var udarbejdet med det formål at begrænse kompleksiteten. Disse katalysatorer blev produceret direkte ved hjælp af den schweiziske Cat+ automatiserede laboratorieinfrastruktur og derefter testet.
Resultaterne af denne indledende udvælgelse tjente forskerne som udgangspunkt for en AI-forudsigelse; de således forudsagte katalysatorsammensætninger blev til gengæld automatisk syntetiseret og testet. Til denne første demonstrationstest fik forskerne deres integrerede system gennemført i alt seks sådanne runder.
Det faktum, at resultaterne blev forbedret mellem runder, ikke på en lineær måde, men snarere med spring og grænser, var helt bevidst:Ikke alene optimerer algoritmen resultaterne af tidligere runder, den inkluderer også en udforskende komponent, der føder helt nye kompositioner ind i hver runde og lærer om det kemiske rum. Sådan forhindrede forskerne, at beregningerne satte sig fast i en optimerings blindgyde blandt alle mulighederne.
I dette første projekt var forskernes primære bekymring dog ikke at komme med den bedst mulige katalysator til methanolsyntese. "På nuværende tidspunkt er viden om katalysatorer til brændstofproduktion overvejende baseret på ekspertise fra olieindustrien," siger Copéret. "Når det kommer til reaktioner til brug i den bæredygtige energiindustri, mangler pålidelige data stadig stort set."
Imidlertid har AI-algoritmer og menneskelig forskningsintelligens brug for disse data, før de kan søge på en mere målrettet måde i det store rum af kemiske muligheder. "Og det er netop den slags reproducerbare data af høj kvalitet, som vores AI-assisterede robotlaboratorium nu leverer. Det vil helt sikkert tage katalysatorforskningen et godt stykke fremad," tilføjer Laveille.
Flere oplysninger: Paco Laveille et al, schweiziske CAT+, en datadrevet infrastruktur for accelereret katalysatoropdagelse og -optimering, CHIMIA (2023). DOI:10.2533/chimia.2023.154
Adrian Ramirez et al., Accelereret udforskning af heterogen CO2 hydrogeneringskatalysatorer ved Bayesiansk-optimeret high-throughput og automatiseret eksperimentering, Chem Catalysis (2024). DOI:10.1016/j.checat.2023.100888
Leveret af ETH Zürich
Sidste artikelForskerhold udvikler en universel og nøjagtig metode til at beregne, hvordan proteiner interagerer med lægemidler
Næste artikelMagnetiske effekter ved livets oprindelse? Det er spindet, der gør forskellen