Roboter und KI arbeiten zusammen, um hochselektive Katalysatoren zu entdecken

Präzise Vorhersage - ohne quantenchemische Berechnungen

07.02.2023 - Japan

Forscher nutzten einen chemischen Syntheseroboter und ein rechnerisch kostengünstiges KI-Modell, um hochselektive Katalysatoren erfolgreich vorherzusagen und zu validieren.

Künstliche Intelligenz (KI) hat in letzter Zeit mit der Einführung der Sprachverarbeitungsfähigkeiten von ChatGPT Schlagzeilen gemacht. Ein ähnlich leistungsfähiges Werkzeug für die Entwicklung chemischer Reaktionen zu schaffen, ist nach wie vor eine große Herausforderung, insbesondere für komplexe katalytische Reaktionen. Um diese Herausforderung zu meistern, haben Forscher des Institute for Chemical Reaction Design and Discovery und des Max-Planck-Instituts für Kohlenforschung eine Methode des maschinellen Lernens demonstriert, die fortschrittliche, aber effiziente chemische 2D-Deskriptoren nutzt, um hochselektive asymmetrische Katalysatoren genau vorherzusagen - ohne dass quantenchemische Berechnungen erforderlich sind.

"Es gab bereits mehrere fortschrittliche Technologien, mit denen Katalysatorstrukturen "vorhergesagt" werden konnten, aber diese Methoden erforderten oft große Investitionen in Berechnungsressourcen und -zeit; ihre Genauigkeit war jedoch immer noch begrenzt", so der Erstautor Nobuya Tsuji. "In diesem Projekt haben wir ein Vorhersagemodell entwickelt, das man sogar mit einem normalen Laptop ausführen kann."

Damit ein Computer chemische Informationen lernen kann, werden Moleküle normalerweise als eine Sammlung von Deskriptoren dargestellt, die oft aus kleinen Teilen oder Fragmenten dieser Moleküle bestehen. Diese sind für die künstliche Intelligenz leichter zu verarbeiten und können angeordnet und neu arrangiert werden, um verschiedene Moleküle zu konstruieren, ähnlich wie Legosteine auf verschiedene Weise angeordnet und verbunden werden können, um verschiedene Strukturen zu konstruieren.

Die rechnerisch günstigeren 2D-Deskriptoren haben jedoch Schwierigkeiten, komplexe Katalysatorstrukturen genau darzustellen, was zu ungenauen Vorhersagen führt. Um dieses Problem zu verbessern, entwickelten die Forscher neue 2D-Deskriptoren mit zirkulärer Substruktur (Circular Substructure, CircuS), die ausdrücklich zyklische und verzweigte Kohlenwasserstoffstrukturen darstellen, die in der Katalyse häufig vorkommen. Die Trainingsdaten für die KI wurden durch Experimente in einem rationalisierten, halbautomatischen Prozess unter Verwendung eines Syntheseroboters gewonnen. Diese experimentellen Daten wurden dann in Deskriptoren umgewandelt und für das Training des KI-Modells verwendet.

Die Forscher verwendeten das vollständig trainierte Modell, um 190 Katalysatoren, die nicht zu den Trainingsdaten gehörten, virtuell zu testen. In dieser Gruppe war das KI-Modell in der Lage, hochselektive Katalysatoren vorherzusagen, nachdem es nur auf den Daten von Katalysatoren mit mäßiger Selektivität trainiert worden war, was die Fähigkeit zur Extrapolation über die Trainingsdaten hinaus zeigt. Der Katalysator, für den die höchste Selektivität vorhergesagt wurde, wurde dann experimentell getestet und wies eine Selektivität auf, die fast identisch mit der vom A.I.-Modell vorhergesagten war. Die Erzielung einer hohen Selektivität ist besonders wichtig für die Entwicklung neuer Medikamente, und diese Technik bietet Chemikern einen leistungsfähigen Rahmen für die Optimierung der Selektivität, der sowohl rechnerisch als auch arbeitsmäßig effizient ist.

"Um neue selektive Katalysatoren vorherzusagen, verwenden Chemiker oft Modelle, die auf quantenchemischen Berechnungen basieren. Solche Modelle sind jedoch sehr rechenintensiv, und wenn die Anzahl der Verbindungen und die Größe der Moleküle zunimmt, ist ihre Anwendung begrenzt", kommentiert der Erstautor Pavel Sidorov. "Modelle, die auf 2D-Strukturen basieren, sind viel billiger und können daher Hunderte und Tausende von Molekülen in Sekunden verarbeiten. Dadurch können Chemiker viel schneller die Verbindungen herausfiltern, an denen sie nicht interessiert sind."

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.