KI-gesteuertes Labor beschleunigt die Katalyseforschung

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

Die Forschungsarbeit „Autonome Reaktion Pareto-Front-Mapping mit einem selbstfahrenden Katalyselabor“ erscheint im Tagebuch Naturchemieingenieurwesen.

Es geht um die Ausbeute 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 Ausbeute und Selektivität. Da die spezifischen Schritte, die Sie bei der Durchführung der katalytischen Reaktion unternehmen, sowohl die Ausbeute als auch die Empfindlichkeit beeinflussen können, investieren Industriechemiker enorm viel Zeit und Mühe in die Suche nach den Parametern, die erforderlich sind, um das bestmögliche Reaktionsergebnis zu erzielen.

„Das Problem besteht darin, dass herkömmliche Techniken zur Entdeckung und Entwicklung von Katalysatoren zeit-, material- und arbeitsintensiv sind“, sagt Milad Abolhasani, korrespondierender Autor einer Arbeit über die Arbeit und außerordentlicher Professor für chemische und biomolekulare Technik 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 experimentelle Planung voranzutreiben. Zusätzlich zu den Materialineffizienzen führt dieser vom Menschen abhängige Ansatz zur Katalysatorentwicklung zu einer großen Zeitlücke zwischen der Durchführung der Reaktion.“ , das Produkt charakterisieren und eine Entscheidung über das nächste Experiment treffen. Deshalb haben wir Fast-Cat entwickelt. Wir sind jetzt in der Lage, die Leistung 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 Hochtemperatur- und Hochdruck-Gas-Flüssigkeits-Reaktionen durchzuführen. Die autonome Technologie analysiert auch die Ergebnisse 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 ermitteln, welches Experiment als nächstes durchgeführt wird.

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

Laienhaft ausgedrückt: Benutzer teilen Fast-Cat mit, mit welchen Liganden und Vorläuferchemikalien es beginnen muss, und sehen dann, wie viel es über 60 Experimente 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“, sagt 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 Stichprobengrößen durch. Aber wenn wir wollen, dass seine Ergebnisse für die praktische Anwendung relevant sind, mussten wir wissen, dass die Ergebnisse von Fast-Cat Die Ergebnisse gelten für Reaktionen in großen Maßstäben, die für die industrielle Fertigung relevant sind.“

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

„Diese Technologie ermöglicht eine tiefgreifende Optimierung jedes einzelnen Liganden“, sagt Dawn Mason, globale externe Innovationsmanagerin 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 die Auswahl an möglichen Selektivitäts- und Ausbeuteendpunkten für jeden Liganden mehr als verdoppelt.“ untersucht. Unglaublicherweise hat es nur fünf Tage gedauert, jeden einzelnen zu beurteilen.“

„Für die Chemie- und Pharmaindustrie ist es von echtem Wert, besser zu verstehen, wie sie die katalytischen Prozesse, die sie in der Fertigung nutzen, beeinflussen kann“, sagt Jeff Carbeck, Vizepräsident für Unternehmensinnovation bei Eastman. „Fast-Cat bietet dieses Verständnis – und zwar schnell, effizient und unter Verwendung winziger Mengen der relevanten Liganden und chemischen Vorläufer. Mit anderen Worten: Es ist schnell, kostengünstig und sehr effektiv.“

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 an der NC State; Muzammil Khan, ein ehemaliger Postdoktorand an der NC State; und Jody Rodgers von Eastman.