Maschinelles Lernen (ML) verändert das Design heterogener Katalysatoren, das aufgrund des komplexen Zusammenspiels der Komponenten traditionell durch Versuch und Irrtum gesteuert wird. BIFOLD-Forscher Parastoo Semnani aus der ML-Gruppe von BIFOLD-Co-Direktor Klaus-Robert Müller (TU Berlin) und weitere Forscher von BASLEARN, BASF SE und anderen haben ein neues ML-Framework in der vorgestellt Zeitschrift für Physikalische Chemie C.
Modelle des maschinellen Lernens (ML) erfreuen sich in jüngster Zeit großer Beliebtheit im Bereich des heterogenen Katalysatordesigns. Die inhärente Komplexität der Wechselwirkungen zwischen Katalysatorkomponenten ist sehr hoch und führt sowohl zu synergistischen als auch antagonistischen Effekten auf die Katalysatorausbeute, die schwer zu entwirren sind. Daher beruhte die Entdeckung leistungsfähiger Katalysatoren lange auf zufälligen Versuchen und Irrtümern.
In der Arbeit stellen die Forscher ein Framework für maschinelles Lernen vor, das sich mit den Herausforderungen experimenteller Daten befasst und robuste Vorhersagen zur Katalysatorleistung liefert. Darüber hinaus integrieren sie erklärbare KI-Methoden in das Framework, die dabei helfen, zu bestimmen, welche Katalysekomponenten stärker zu Hochleistungskatalysatoren beitragen.
Die hohen Kosten, die mit der Generierung experimenteller Katalysatordaten verbunden sind, führen häufig zu kleinen Datensätzen, die auf Katalysatoren mit geringer Leistung ausgerichtet sind.
„Wir glauben, dass unser Framework Best Practices auf diesem Gebiet kombiniert und einen konzeptionellen Entwurf für die Arbeit mit und die Analyse experimenteller Katalysatordaten bietet, der sich für zukünftige Forschungsbemühungen im Bereich maschinelles Lernen in diesem Bereich als nützlich erweisen und dazu beitragen sollte, das KI-gestützte Katalysatordesign voranzutreiben.“ vorwärts“, schließt Semnani.
Dieses Framework befasst sich mit kleinen, unausgeglichenen Datensätzen und prognostiziert die Katalysatorleistung zuverlässig. Durch die Integration erklärbarer KI werden wichtige Katalysatorkomponenten identifiziert, die die Effizienz steigern. Dieser innovative Ansatz bietet eine Blaupause für zukünftige KI-gesteuerte Durchbrüche bei der Katalysatorentdeckung.
Weitere Informationen:
Parastoo Semnani et al., Ein Framework für maschinelles Lernen und erklärbare KI, maßgeschneidert für die unausgeglichene experimentelle Katalysatorentdeckung, Das Journal of Physical Chemistry C (2024). DOI: 10.1021/acs.jpcc.4c05332
Bereitgestellt vom Berliner Institut für Grundlagen des Lernens und Daten