Framework für maschinelles Lernen identifiziert Ziele zur Verbesserung von Katalysatoren

Chemiker am Brookhaven National Laboratory des US-Energieministeriums haben ein neues Framework für maschinelles Lernen (ML) entwickelt, das darauf abzielen kann, welche Schritte einer mehrstufigen chemischen Umwandlung optimiert werden sollten, um die Produktivität zu verbessern. Der Ansatz könnte dabei helfen, das Design von Katalysatoren zu lenken – chemische „Dealmaker“, die Reaktionen beschleunigen.

Das Team entwickelte die Methode zur Analyse der Umwandlung von Kohlenmonoxid (CO) in Methanol unter Verwendung eines kupferbasierten Katalysators. Die Reaktion besteht aus sieben ziemlich unkomplizierten Elementarschritten.

„Unser Ziel war es, herauszufinden, welcher elementare Schritt im Reaktionsnetzwerk oder welche Teilmenge von Schritten die katalytische Aktivität steuert“, sagte Wenjie Liao, der Erstautor eines Artikels, der die Methode beschreibt, die gerade in der Zeitschrift veröffentlicht wurde Katalysewissenschaft und -technologie. Liao ist ein Doktorand an der Stony Brook University, der mit Wissenschaftlern der Gruppe Catalysis Reactivity and Structure (CRS) in der Chemistry Division des Brookhaven Lab zusammengearbeitet hat.

Ping Liu, der CRS-Chemiker, der die Arbeit leitete, sagte: „Wir haben diese Reaktion als Beispiel für unsere ML-Gerüstmethode verwendet, aber Sie können im Allgemeinen jede Reaktion in dieses Gerüst einfügen.“

Ausrichtung auf Aktivierungsenergien

Stellen Sie sich eine mehrstufige chemische Reaktion als Achterbahn mit unterschiedlich hohen Hügeln vor. Die Höhe jedes Hügels repräsentiert die Energie, die benötigt wird, um von einer Stufe zur nächsten zu gelangen. Katalysatoren senken diese „Aktivierungsbarrieren“, indem sie das Zusammenkommen von Reaktanten erleichtern oder es ihnen ermöglichen, bei niedrigeren Temperaturen oder Drücken zusammenzukommen. Um die Gesamtreaktion zu beschleunigen, muss ein Katalysator auf den Schritt oder die Schritte abzielen, die die größte Wirkung haben.

Traditionell würden Wissenschaftler, die eine solche Reaktion verbessern wollten, berechnen, wie sich jede Aktivierungsbarriere verändert eins nach dem anderen kann sich auf die Gesamtproduktionsrate auswirken. Diese Art der Analyse könnte identifizieren, welcher Schritt „geschwindigkeitsbestimmend“ war und welche Schritte die Reaktionsselektivität bestimmen – das heißt, ob die Reaktanten zum gewünschten Produkt oder über einen alternativen Weg zu einem unerwünschten Nebenprodukt fortschreiten.

Aber laut Liu „sind diese Schätzungen am Ende sehr grob mit vielen Fehlern für einige Katalysatorgruppen.

Das neue Framework für maschinelles Lernen soll diese Schätzungen verbessern, damit Wissenschaftler besser vorhersagen können, wie Katalysatoren Reaktionsmechanismen und die chemische Leistung beeinflussen werden.

„Anstatt eine Barriere nach der anderen zu verschieben, bewegen wir jetzt alle Barrieren gleichzeitig. Und wir verwenden maschinelles Lernen, um diesen Datensatz zu interpretieren“, sagte Liao.

Dieser Ansatz, sagte das Team, liefert viel zuverlässigere Ergebnisse, einschließlich darüber, wie Schritte in einer Reaktion zusammenarbeiten.

„Unter Reaktionsbedingungen sind diese Schritte nicht isoliert oder voneinander getrennt, sie sind alle miteinander verbunden“, sagte Liu. „Wenn Sie nur einen Schritt nach dem anderen machen, verpassen Sie viele Informationen – die Wechselwirkungen zwischen den elementaren Schritten. Das ist es, was in dieser Entwicklung erfasst wurde“, sagte sie.

Aufbau des Modells

Die Wissenschaftler begannen mit dem Aufbau eines Datensatzes, um ihr maschinelles Lernmodell zu trainieren. Der Datensatz basierte auf Berechnungen der „Dichtefunktionaltheorie“ (DFT) der Aktivierungsenergie, die erforderlich ist, um eine Anordnung von Atomen durch die sieben Reaktionsschritte in die nächste umzuwandeln. Dann führten die Wissenschaftler computerbasierte Simulationen durch, um zu untersuchen, was passieren würde, wenn sie alle sieben Aktivierungsbarrieren gleichzeitig ändern würden – einige nach oben, andere nach unten, einige einzeln und einige paarweise.

„Der von uns aufgenommene Datenbereich basierte auf früheren Erfahrungen mit diesen Reaktionen und diesem katalytischen System innerhalb des interessanten Variationsbereichs, der wahrscheinlich zu einer besseren Leistung führt“, sagte Liu.

Durch die Simulation von Variationen in 28 „Deskriptoren“ – einschließlich der Aktivierungsenergien für die sieben Schritte plus Schrittpaare, die sich jeweils um zwei ändern – erstellte das Team einen umfassenden Datensatz von 500 Datenpunkten. Dieser Datensatz prognostizierte, wie sich all diese individuellen Anpassungen und Anpassungspaare auf die Methanolproduktion auswirken würden. Das Modell bewertete dann die 28 Deskriptoren nach ihrer Bedeutung für die Steigerung der Methanolproduktion.

„Unser Modell hat aus den Daten ‚gelernt‘ und sechs Schlüsseldeskriptoren identifiziert, von denen es vorhersagt, dass sie die größten Auswirkungen auf die Produktion haben würden“, sagte Liao.

Nachdem die wichtigen Deskriptoren identifiziert waren, trainierten die Wissenschaftler das ML-Modell neu, indem sie nur diese sechs „aktiven“ Deskriptoren verwendeten. Dieses verbesserte ML-Modell war in der Lage, die katalytische Aktivität ausschließlich auf der Grundlage von DFT-Berechnungen für diese sechs Parameter vorherzusagen.

„Anstatt die gesamten 28 Deskriptoren berechnen zu müssen, können Sie jetzt nur mit den sechs Deskriptoren rechnen und erhalten die Methanol-Umwandlungsraten, an denen Sie interessiert sind“, sagte Liu.

Das Team sagt, dass sie das Modell auch zum Screenen von Katalysatoren verwenden können. Wenn sie einen Katalysator entwerfen können, der den Wert der sechs aktiven Deskriptoren verbessert, sagt das Modell eine maximale Methanolproduktionsrate voraus.

Mechanismen verstehen

Als das Team die Vorhersagen ihres Modells mit der experimentellen Leistung ihres Katalysators – und der Leistung von Legierungen verschiedener Metalle mit Kupfer – verglich, stimmten die Vorhersagen mit den experimentellen Ergebnissen überein. Vergleiche des ML-Ansatzes mit der vorherigen Methode, die zur Vorhersage der Leistung von Legierungen verwendet wurde, zeigten, dass die ML-Methode weit überlegen war.

Die Daten enthüllten auch viele Details darüber, wie Änderungen der Energiebarrieren den Reaktionsmechanismus beeinflussen könnten. Von besonderem Interesse – und Bedeutung – war, wie verschiedene Reaktionsschritte zusammenarbeiten. Beispielsweise zeigten die Daten, dass in einigen Fällen die Senkung der Energiebarriere im geschwindigkeitsbegrenzenden Schritt allein die Methanolproduktion nicht verbessern würde. Aber die Anpassung der Energiebarriere eines Schritts früher im Reaktionsnetzwerk, während die Aktivierungsenergie des geschwindigkeitsbestimmenden Schritts in einem idealen Bereich gehalten wird, würde die Methanolproduktion erhöhen.

„Unsere Methode gibt uns detaillierte Informationen, die wir möglicherweise verwenden können, um einen Katalysator zu entwerfen, der die Wechselwirkung zwischen diesen beiden Schritten gut koordiniert“, sagte Liu.

Aber Liu ist am meisten begeistert von dem Potenzial, solche datengesteuerten ML-Frameworks auf kompliziertere Reaktionen anzuwenden.

„Wir haben die Methanolreaktion verwendet, um unsere Methode zu demonstrieren. Aber die Art und Weise, wie sie die Datenbank generiert und wie wir das ML-Modell trainieren und wie wir die Rolle der Funktion jedes Deskriptors interpolieren, um das Gesamtgewicht in Bezug auf ihre Bedeutung zu bestimmen – das kann sein lässt sich leicht auf andere Reaktionen übertragen“, sagte sie.