Detaily článku

Díky strojovému učení začíná budoucnost výzkumu katalyzátorů

Nová studie navrhuje metodu vývoje užitečných kombinací katalyzátorů založenou na technologii umělé inteligence.
Dosud se výzkum v oblasti kombinatorických katalyzátorů opíral o náhodné objevy kombinací katalyzátorů. Nyní vědci z Japonska zjednodušili proces, který kombinuje náhodné vzorkování, vysoce výkonné experimenty a datovou vědu k identifikaci synergických kombinací katalyzátorů. S tímto průlomem vědci doufají, že odstraní limity kladené na výzkum spoléháním se na náhodné objevy a jejich nová metoda se bude častěji používat v katalyzátorové informatice.

Datum: 12.2.2021

katalyzátory, strojové učení, umělá inteligence

Katalyzátory nebo jejich kombinace jsou sloučeniny, které významně snižují energii potřebnou k dokončení chemických reakcí. V oblasti „kombinatorického návrhu katalyzátoru“ jsou klíčovými úvahami požadavek synergie - kde jedna složka katalyzátoru doplňuje druhou - a eliminace neúčinných nebo škodlivých kombinací. Doposud však byly kombinatorické katalyzátory navrženy s využitím zkreslených údajů nebo pokusů a omylů nebo náhodných objevů kombinací, které fungovaly. Skupina vědců z Japonska se nyní snaží tento trend změnit pokusem o vytvoření opakovatelného procesu, který by se opíral o screeningový nástroj a softwarovou analýzu.

Jejich nová studie, publikovaná v ACS Catalysis , podrobně popisuje identifikaci účinných kombinací katalyzátorů pro Oxidative Coupling of Methane (OCM). OCM je široce používaná chemická reakce používaná k přeměně metanu na užitečné plyny v přítomnosti kyslíku a katalyzátoru. Dr. Toshiaki Taniike, profesor na School of Materials Science, Japan Advanced Institute of Science and Technology, na základě této studie říká: „Návrh kombinatorického katalyzátoru je stěží zobecnitelný a empirický aspekt výzkumu zajistil data k náhodně nalezeným kombinacím“.

Aby vědci při navrhování protokolu získali soubor dat z OCM, náhodně odebrali vzorky 300 pevných katalyzátorů z obrovského materiálového prostoru obsahujícího až 36 000 katalyzátorů! Screening tak velkého počtu katalyzátorů je podle lidských standardů téměř nemožný. Proto tým použil vysoce výkonný screeningový nástroj k vyhodnocení jejich výkonnosti při usnadňování OCM. To bylo implementováno ve formě „klasifikace rozhodovacího stromu“, což je forma strojového učení, která pomohla pochopit účinnost vybraných kombinací katalyzátorů a poskytla lepší výtěžek OCM. To zase pomohlo při vypracování pokynů pro návrh katalyzátoru.

Je zajímavé, že výsledky ukázaly, že i při náhodném odběru vzorků poskytlo 51 z 300 katalyzátorů lepší výtěžek OCM ve srovnání s alternativním nekatalytickým postupem. Keisuke Takahashi, docent na univerzitě Hokkaido a spoluautor této studie, vysvětluje možné důsledky jejich objevu a říká: „Kombinace vysoce výkonného experimentování a vědy o datech již prokázala sílu velkých souborů dat o katalyzátoru při hledání nových katalyzátorů i pokynů pro návrh katalyzátoru. Je také důležité uvést podstatu těchto přístupů pro realizaci takové náročné studie v realistickém časovém rámci. Využitím všech základních technik z této studie by mohl být realizován vývoj skutečně neempirických katalyzátorů“.

Zdrojem informací je Chemeurope.
Kredit obrázku: JAIST

Pro kompletní informace si přečtěte celý článek.