Les chercheurs ont développé un laboratoire « autonome » qui utilise l’intelligence artificielle (IA) et des systèmes automatisés pour fournir des analyses approfondies des réactions catalytiques utilisées dans la recherche et la fabrication chimiques. Le nouvel outil, appelé Fast-Cat, peut fournir plus d’informations en cinq jours qu’il n’est possible de le faire en six mois avec des tests conventionnels.
Le document de recherche, « Cartographie du front de Pareto de réaction autonome avec un laboratoire de catalyse autonome » apparaît dans la revue Génie chimique naturel.
L’enjeu est le rendement et la sélectivité des réactions chimiques en présence de molécules appelées ligands.
Le rendement fait référence à l’efficacité avec laquelle une réaction chimique produit un produit souhaité à partir des produits chimiques avec lesquels vous avez commencé. La sélectivité fait référence à la mesure dans laquelle vous pouvez faire en sorte qu’une réaction chimique produise un produit spécifique au lieu de créer plusieurs produits. Les ligands sont largement utilisés en catalyse, accélérant et contrôlant la sélectivité des réactions chimiques utilisées dans des processus allant de la chimie industrielle à la fabrication pharmaceutique.
Du point de vue de l’industrie, vous souhaitez le rendement et la sélectivité les plus élevés possibles. Étant donné que les étapes spécifiques que vous suivez lors de la réaction catalytique peuvent influencer à la fois le rendement et la sensibilité, les chimistes industriels consacrent énormément de temps et d’efforts à essayer de trouver les paramètres nécessaires pour obtenir le résultat de réaction le plus souhaitable.
« Le problème est que les techniques conventionnelles de découverte et de développement de catalyseurs nécessitent beaucoup de temps, de matériaux et de main-d’œuvre », explique Milad Abolhasani, auteur correspondant d’un article sur les travaux et professeur agrégé de génie chimique et biomoléculaire à l’Université d’État de Caroline du Nord.
« Ces techniques reposent en grande partie sur la manipulation manuelle des échantillons avec des réacteurs discontinus, ainsi que sur l’intuition et l’expérience humaines pour piloter la planification expérimentale. En plus des inefficacités matérielles, cette approche dépendante de l’homme pour le développement du catalyseur crée un intervalle de temps important entre la réalisation de la réaction. , caractérisant le produit et prenant une décision concernant la prochaine expérience. C’est pourquoi nous avons créé Fast-Cat. Nous sommes désormais en mesure de mieux comprendre le comportement d’un ligand spécifique en cinq jours qu’il n’était auparavant possible en six mois.
Fast-Cat est complètement autonome, utilisant l’IA et des systèmes automatisés pour exécuter en continu des réactions gaz-liquide à haute température et haute pression. La technologie autonome analyse également le résultat de chacune de ces réactions pour déterminer, sans intervention humaine, comment différentes variables affectent le résultat de chaque expérience.
Fast-Cat utilise les résultats de toutes les expériences précédentes qu’il a menées (à la fois les succès et les échecs) pour déterminer quelle expérience il exécutera ensuite.
« L’IA de Fast-Cat évolue constamment, tirant les leçons des expériences déjà menées », explique Abolhasani.
En termes simples, les utilisateurs indiquent à Fast-Cat avec quels ligands et précurseurs chimiques il doit commencer, puis voient tout ce qu’il peut apprendre au cours de 60 expériences.
« Nous avons passé beaucoup de temps à peaufiner le modèle d’IA de Fast-Cat pour optimiser sa capacité à fournir la compréhension la plus large possible de la manière dont différents paramètres affectent la sélectivité et le rendement des réactions catalytiques utilisant un ligand spécifique », explique Abolhasani.
« Nous avons également consacré beaucoup de temps à garantir que les résultats de Fast-Cat sont évolutifs. Fast-Cat mène ses expériences avec des échantillons extrêmement petits. Mais si nous voulons que ses résultats soient pertinents pour une utilisation pratique, nous devions savoir que les résultats de Fast-Cat les résultats sont valables pour les réactions menées à grande échelle et pertinentes pour la fabrication industrielle.
Pour les tests de validation de principe, les chercheurs ont utilisé Fast-Cat pour caractériser les performances catalytiques de six ligands déjà trouvés dans la littérature de recherche.
« Cette technologie permet une optimisation en profondeur de chaque ligand unique », déclare Dawn Mason, responsable mondiale de l’innovation externe chez Eastman, une entreprise mondiale de matériaux spécialisés qui a soutenu les travaux. « Pour la première fois, nous sommes en mesure d’évaluer rapidement une grande variété de paramètres et d’acquérir une compréhension véritablement approfondie de la manière d’influencer les performances de chaque ligand. Nous avons plus que doublé la gamme de paramètres de sélectivité et de rendement possibles pour chaque ligand. » Incroyablement, il n’a fallu que cinq jours pour évaluer chacun d’entre eux. «
« Il y a un réel intérêt pour les industries chimiques et pharmaceutiques à mieux comprendre comment influencer les processus catalytiques qu’elles utilisent dans la fabrication », déclare Jeff Carbeck, vice-président de l’innovation d’entreprise chez Eastman. « Fast-Cat fournit cette compréhension, et le fait rapidement, efficacement et en utilisant d’infimes quantités de ligands et de précurseurs chimiques pertinents. En d’autres termes, c’est rapide, peu coûteux et très efficace. »
Les chercheurs ont rendu le logiciel et le matériel accessibles au public afin que Fast-Cat puisse être utilisé pour faciliter des recherches supplémentaires.
« Nous espérons que d’autres chercheurs pourront adopter cette technologie pour accélérer la découverte de la catalyse dans le monde universitaire et industriel », déclare Abolhasani.
L’article a été co-écrit par Jeffrey Bennett, chercheur postdoctoral à NC State ; Negin Orouji et Sina Sadeghi, toutes deux titulaires d’un doctorat. étudiants de NC State; Muzammil Khan, ancien chercheur postdoctoral à NC State ; et Jody Rodgers d’Eastman.
Plus d’information:
Cartographie Pareto-Front de réaction autonome avec un laboratoire de catalyse autonome, Génie chimique naturel (2024). DOI : 10.1038/s44286-024-00033-5. www.nature.com/articles/s44286-024-00033-5