Dank maschinellen Lernens ist die Zukunft der Katalysatorforschung jetzt!
Neue Studie widersetzt sich den Konventionen und schlägt eine technologiegestützte Methode zur Identifizierung nützlicher Katalysatorkombinationen vor
Bislang beruhte die Forschung auf dem Gebiet der kombinatorischen Katalysatoren auf zufälligen Entdeckungen von Katalysatorkombinationen. Jetzt haben Wissenschaftler aus Japan ein Protokoll entwickelt, das Zufallsstichproben, Hochdurchsatz-Experimente und Data Science kombiniert, um synergistische Kombinationen von Katalysatoren zu identifizieren. Mit diesem Durchbruch hoffen die Forscher, die Grenzen, die der Forschung durch das Verlassen auf Zufallsentdeckungen gesetzt sind, zu beseitigen und ihr neues Protokoll häufiger in der Katalysatorinformatik einsetzen zu können.
300 quaternäre Katalysatoren werden nach dem Zufallsprinzip aus einem großen Materialraum ausgewählt, wobei ihre Leistung in Bezug auf OCM systematisch durch Hochdurchsatz-Experimente bewertet wird, gefolgt von maschinellem Lernen, um einen verzerrungsfreien Datensatz zu identifizieren, um die zugrunde liegenden Muster in der Katalysatorleistung zu lernen, die schließlich für weitere Katalysatorentdeckungen verwendet werden.
JAIST
Katalysatoren oder deren Kombinationen sind Verbindungen, die die Energie, die benötigt wird, um chemische Reaktionen zum Abschluss zu bringen, deutlich senken. Auf dem Gebiet des "kombinatorischen Katalysatordesigns" sind die Forderung nach Synergie - bei der eine Komponente eines Katalysators eine andere ergänzt - und die Eliminierung ineffektiver oder schädlicher Kombinationen von zentraler Bedeutung. Bisher wurden kombinatorische Katalysatoren jedoch mit Hilfe von verzerrten Daten oder durch Versuch und Irrtum entworfen oder durch zufällige Entdeckungen von Kombinationen, die funktionierten. Eine Gruppe von Forschern aus Japan hat nun versucht, diesen Trend zu ändern, indem sie ein wiederholbares Protokoll entwickelt haben, das sich auf ein Screening-Instrument und eine softwarebasierte Analyse stützt.
Ihre neue Studie, die in ACS Catalysis veröffentlicht wurde, beschreibt die Identifizierung effektiver Katalysatorkombinationen mit Hilfe des vorgeschlagenen Protokolls für die oxidative Kopplung von Methan (OCM). OCM ist eine weit verbreitete chemische Reaktion, bei der Methan in Gegenwart von Sauerstoff und Katalysator in Nutzgase umgewandelt wird. Dr. Toshiaki Taniike, Professor an der School of Materials Science, Japan Advanced Institute of Science and Technology und korrespondierender Autor der Studie, erläutert die Beweggründe für die Studie: "Kombinatorisches Katalysatordesign ist kaum verallgemeinerbar, und der empirische Aspekt der Forschung hat die Literaturdaten in Richtung zufällig gefundener Kombinationen verzerrt".
Um einen verzerrungsfreien Datensatz von OCM für die Erstellung des Protokolls zu erhalten, zogen die Forscher eine Zufallsstichprobe von 300 festen Katalysatoren aus einem riesigen Materialraum, der über 36.000 Katalysatoren enthält! Das Screening einer so großen Anzahl von Katalysatoren ist nach menschlichen Maßstäben nahezu unmöglich. Daher nutzte das Team ein Hochdurchsatz-Screening-Instrument, um deren Leistung bei der Erleichterung der OCM zu bewerten. Der erhaltene Datensatz wurde verwendet, um das neuartige Protokoll zu skizzieren, das einen Leitfaden für das Katalysatordesign bieten soll. Dies wurde in Form einer "Entscheidungsbaum-Klassifizierung" umgesetzt, einer Form des maschinellen Lernens, die dabei half, die Effizienz der ausgewählten Katalysatorkombinationen zu verstehen, um eine bessere OCM-Ausbeute zu erzielen. Dies wiederum half bei der Erstellung der erforderlichen Katalysator-Design-Richtlinien.
Interessanterweise zeigten die Ergebnisse, dass selbst bei einer Zufallsstichprobe 51 der 300 Katalysatoren eine bessere OCM-Ausbeute im Vergleich zum alternativen nicht-katalytischen Prozess lieferten. Dr. Keisuke Takahashi, außerordentlicher Professor an der Hokkaido Universität und Mitautor dieser Studie, erklärt die potenziellen Auswirkungen ihrer Entdeckung: "Die Kombination aus Hochdurchsatz-Experimenten und Datenwissenschaft hat bereits die Leistungsfähigkeit von verzerrungsfreien Katalysator-Big-Data bei der Suche nach neuartigen Katalysatoren sowie einer Richtlinie für das Katalysator-Design gezeigt. Es ist auch wichtig zu betonen, wie wichtig diese Ansätze sind, um eine solch anspruchsvolle Studie in einem realistischen Zeitrahmen durchzuführen. Durch die Ausstattung mit allen wesentlichen Techniken der Studie könnten wirklich nicht-empirische Katalysatorentwicklungen realisiert werden".
In der Tat können wir zusammen mit den Wissenschaftlern hoffen, dass diese Strategie mehrere zukünftige materialwissenschaftliche Entdeckungen "katalysieren" wird!
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
Weitere News aus dem Ressort Wissenschaft
Holen Sie sich die Chemie-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die chemische Industrie, Analytik, Labor und Prozess bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
