KI-gesteuertes Labor beschleunigt die Katalyseforschung

Forscher haben ein „autonomes“ Labor entwickelt, das künstliche Intelligenz (KI) und automatisierte Systeme nutzt, um detaillierte Analysen katalytischer Reaktionen durchzuführen, die in der chemischen Forschung und Herstellung eingesetzt werden. Das neue Tool namens Fast-Cat kann in fünf Tagen mehr Informationen liefern, als dies mit herkömmlichen Tests in sechs Monaten möglich ist.

Die Forschungsarbeit „Kartierung der autonomen Reaktions-Pareto-Front mit einem autonomen Katalyselabor“ erscheint in der Zeitschrift Natürliche Chemietechnik.

Das Problem ist die Effizienz und Selektivität chemischer Reaktionen in Gegenwart von Molekülen, die Liganden genannt werden.

Die Ausbeute bezieht sich darauf, wie effizient eine chemische Reaktion aus den Chemikalien, mit denen Sie begonnen haben, ein gewünschtes Produkt erzeugt. Selektivität bezieht sich auf das Ausmaß, in dem eine chemische Reaktion ein bestimmtes Produkt erzeugen kann, anstatt mehrere Produkte zu erzeugen. Liganden werden häufig in der Katalyse eingesetzt, um die Selektivität chemischer Reaktionen zu beschleunigen und zu steuern, die in Prozessen von der industriellen Chemie bis zur pharmazeutischen Herstellung eingesetzt werden.

Aus Branchensicht wollen Sie die höchstmögliche Effizienz und Selektivität. Da die spezifischen Schritte, die Sie während der katalytischen Reaktion befolgen, sowohl die Ausbeute als auch die Empfindlichkeit beeinflussen können, verbringen Industriechemiker enorm viel Zeit und Mühe damit, die Parameter zu finden, die erforderlich sind, um das effektivste Reaktionsergebnis zu erzielen. wünschenswerter.

„Das Problem besteht darin, dass herkömmliche Techniken zur Entdeckung und Entwicklung von Katalysatoren viel Zeit, Material und Arbeit erfordern“, sagt Milad Abolhasani, korrespondierender Autor einer Arbeit über die Arbeit und außerordentlicher Professor für Chemieingenieurwesen und Biomolekularwissenschaften an der North Carolina State University.

„Diese Techniken beruhen größtenteils auf der manuellen Probenhandhabung mit Batch-Reaktoren sowie auf menschlicher Intuition und Erfahrung, um die Versuchsplanung voranzutreiben. Zusätzlich zu Hardware-Ineffizienzen führt dieser vom Menschen abhängige Ansatz zur Entwicklung des Katalysators zu einem erheblichen Zeitintervall zwischen der Durchführung.“ Reaktion, Charakterisierung des Produkts und Entscheidung über das nächste Experiment. Aus diesem Grund haben wir Fast-Cat entwickelt. Wir sind jetzt in der Lage, das Verhalten eines bestimmten Liganden in fünf Tagen besser zu verstehen, als dies zuvor in sechs Monaten möglich war.

Fast-Cat ist völlig autonom und nutzt KI und automatisierte Systeme, um kontinuierlich Gas-Flüssigkeits-Reaktionen bei hohen Temperaturen und hohen Drücken durchzuführen. Die autonome Technologie analysiert auch das Ergebnis jeder dieser Reaktionen, um ohne menschliches Eingreifen zu bestimmen, wie sich verschiedene Variablen auf das Ergebnis jedes Experiments auswirken.

Fast-Cat verwendet die Ergebnisse aller zuvor durchgeführten Experimente (sowohl Erfolge als auch Misserfolge), um zu bestimmen, welches Experiment als nächstes durchgeführt wird.

„Die KI von Fast-Cat entwickelt sich ständig weiter und lernt aus bereits durchgeführten Experimenten“, sagt Abolhasani.

Einfach ausgedrückt sagen Benutzer Fast-Cat, mit welchen Liganden und Vorläuferchemikalien es beginnen soll, und sehen dann, wie viel es im Laufe von 60 Experimenten lernen kann.

„Wir haben viel Zeit in die Feinabstimmung des KI-Modells von Fast-Cat investiert, um seine Fähigkeit zu optimieren, ein möglichst umfassendes Verständnis darüber zu liefern, wie sich verschiedene Parameter auf die Selektivität und Ausbeute katalytischer Reaktionen unter Verwendung eines bestimmten Liganden auswirken“, erklärt Abolhasani.

„Wir haben auch viel Zeit darauf verwendet, sicherzustellen, dass die Ergebnisse von Fast-Cat skalierbar sind. Fast-Cat führt seine Experimente mit extrem kleinen Proben durch. Aber wenn wir wollen, dass seine Ergebnisse für die praktische Anwendung relevant sind, mussten wir wissen, dass die Ergebnisse von Fast-Cat.“ gelten für Reaktionen, die im großen Maßstab durchgeführt werden und für die industrielle Fertigung relevant sind.

Für Proof-of-Concept-Tests verwendeten die Forscher Fast-Cat, um die katalytische Leistung von sechs Liganden zu charakterisieren, die bereits in der Forschungsliteratur gefunden wurden.

„Diese Technologie ermöglicht eine tiefgreifende Optimierung jedes einzelnen Liganden“, sagt Dawn Mason, globale Leiterin für externe Innovation bei Eastman, einem globalen Unternehmen für Spezialmaterialien, das die Arbeit unterstützt hat. „Zum ersten Mal sind wir in der Lage, schnell eine Vielzahl von Parametern zu bewerten und ein wirklich tiefgreifendes Verständnis dafür zu erlangen, wie wir die Leistung jedes Liganden beeinflussen können. Wir haben den Bereich der möglichen Selektivitäts- und Ausbeuteparameter für jeden Liganden mehr als verdoppelt. „Unglaublicherweise dauerte die Auswertung jedes Einzelnen nur fünf Tage.“

„Es besteht ein echtes Interesse für die chemische und pharmazeutische Industrie, besser zu verstehen, wie sie die katalytischen Prozesse, die sie in der Fertigung verwenden, beeinflussen kann“, sagt Jeff Carbeck, Vizepräsident für Unternehmensinnovation bei Eastman. „Fast-Cat bietet dieses Verständnis, und zwar schnell, effizient und unter Verwendung winziger Mengen relevanter Liganden und chemischer Vorläufer. Mit anderen Worten: Es ist schnell, kostengünstig und hochwirksam.“

Die Forscher haben die Soft- und Hardware öffentlich zugänglich gemacht, sodass Fast-Cat zur Erleichterung weiterer Forschung genutzt werden kann.

„Wir hoffen, dass andere Forscher diese Technologie übernehmen können, um die Entdeckung der Katalyse in Wissenschaft und Industrie zu beschleunigen“, sagt Abolhasani.

Der Artikel wurde von Jeffrey Bennett, einem Postdoktoranden an der NC State, mitverfasst; Negin Orouji und Sina Sadeghi, beide Ph.D. Studenten des NC State; Muzammil Khan, ehemaliger Postdoktorand an der NC State; und Jody Rodgers von Eastman.