Roboter und KI schließen sich zusammen, um hochselektive Katalysatoren zu entdecken

Die Forscher verwendeten einen chemischen Syntheseroboter und ein recheneffizientes KI-Modell, um hochselektive Katalysatoren erfolgreich vorherzusagen und zu validieren. Ihre Ergebnisse werden in der Zeitschrift veröffentlicht Internationale Ausgabe der Angewandten Chemie.

Künstliche Intelligenz (KI) hat kürzlich mit dem Aufkommen der Sprachverarbeitungsfunktionen von ChatGPT Schlagzeilen gemacht. Die Schaffung eines ähnlich leistungsstarken Werkzeugs für das Design chemischer Reaktionen bleibt eine große Herausforderung, insbesondere für komplexe katalytische Reaktionen. Um dieser Herausforderung zu begegnen, haben Forscher des Institute for Chemical Reaction Design and Discovery und des Max-Planck-Instituts für Kohlenforschung eine maschinelle Lernmethode demonstriert, die fortschrittliche und dennoch effiziente chemische 2D-Deskriptoren nutzt, um hochselektive asymmetrische Katalysatoren genau vorherzusagen – ohne die Notwendigkeit von Quanten chemische Berechnungen.

„Es gab mehrere fortschrittliche Technologien, die Katalysatorstrukturen ‚vorhersagen‘ können, aber diese Methoden erforderten oft große Investitionen an Berechnungsressourcen und Zeit; dennoch war ihre Genauigkeit immer noch begrenzt“, sagte der gemeinsame Erstautor Nobuya Tsuji. „In diesem Projekt haben wir ein Vorhersagemodell entwickelt, das man sogar mit einem alltäglichen Laptop-PC ausführen kann.“

Damit ein Computer chemische Informationen lernen kann, werden Moleküle normalerweise als Sammlung von Deskriptoren dargestellt, die oft aus kleinen Teilen oder Fragmenten dieser Moleküle bestehen. Diese sind für die KI einfacher zu verarbeiten und können angeordnet und neu angeordnet werden, um verschiedene Moleküle zu konstruieren, ähnlich wie Legosteine ​​auf unterschiedliche Weise angeordnet und verbunden werden können, um verschiedene Strukturen zu konstruieren.

Rechengünstigere 2D-Deskriptoren hatten jedoch Schwierigkeiten, komplexe Katalysatorstrukturen genau darzustellen, was zu ungenauen Vorhersagen führte. Um dieses Problem zu beheben, entwickelten die Forscher neue Circular Substructure (CircuS) 2D-Deskriptoren, die explizit zyklische und verzweigte Kohlenwasserstoffstrukturen darstellen, die in der Katalyse üblich sind. Trainingsdaten für die KI wurden durch Experimente über einen optimierten, halbautomatischen Prozess unter Verwendung eines Syntheseroboters erhalten. Diese experimentellen Daten wurden dann in Deskriptoren umgewandelt und zum Trainieren des KI-Modells verwendet.

Die Forscher verwendeten das vollständig trainierte Modell, um 190 Katalysatoren virtuell zu testen, die nicht Teil der Trainingsdaten waren. In diesem Satz war das KI-Modell in der Lage, hochselektive Katalysatoren vorherzusagen, nachdem es nur mit den Daten von Katalysatoren mit mäßiger Selektivität trainiert worden war, was die Fähigkeit zeigte, über die Trainingsdaten hinaus zu extrapolieren. Der Katalysator, von dem die höchste Selektivität vorhergesagt wurde, wurde dann experimentell getestet und zeigte eine Selektivität, die nahezu identisch mit der vom AI-Modell vorhergesagten war. Die Erzielung einer hohen Selektivität ist besonders wichtig für das Design neuer Medikamente, und diese Technik bietet Chemikern einen leistungsstarken Rahmen zur Optimierung der Selektivität, der sowohl hinsichtlich der Rechen- als auch der Arbeitskosten effizient ist.

„Um neue selektive Katalysatoren vorherzusagen, würden Chemiker häufig Modelle verwenden, die auf quantenchemischen Berechnungen basieren. Solche Modelle sind jedoch rechenintensiv, und wenn die Anzahl der Verbindungen und die Größe der Moleküle zunimmt, wird ihre Anwendung begrenzt“, kommentierte der gemeinsame Erstautor Pavel Sidorow. „Modelle, die auf 2D-Strukturen basieren, sind viel billiger und können daher Hunderttausende von Molekülen in Sekunden verarbeiten. Dadurch können Chemiker die Verbindungen, die sie möglicherweise nicht interessieren, viel schneller herausfiltern.“