• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  science >> Vetenskap >  >> Kemi
    Tack vare maskininlärning, katalysatorforskningens framtid är nu

    300 kvaternära katalysatorer samplas slumpmässigt från ett stort materialutrymme, där deras prestanda i förhållande till OCM utvärderas systematiskt genom experiment med hög genomströmning, följt av maskininlärning, att identifiera en förspänningsfri datauppsättning för att lära sig de underliggande mönstren i katalysatorprestanda som så småningom används för ytterligare katalysatorupptäckter. Upphovsman:JAIST

    Hittills, forskning inom kombinatoriska katalysatorer har förlitat sig på serendipitösa upptäckter av katalysatorkombinationer. Nu, forskare från Japan har effektiviserat ett protokoll som kombinerar slumpmässiga provtagningar, experiment med hög genomströmning, och datavetenskap för att identifiera synergistiska kombinationer av katalysatorer. Med detta genombrott, forskarna hoppas kunna ta bort gränserna för forskning genom att förlita sig på slumpmässiga upptäckter och att deras nya protokoll används oftare i katalysatorinformatik.

    Katalysatorer, eller deras kombinationer, är föreningar som avsevärt sänker energin som krävs för att driva kemiska reaktioner till slut. Inom området kombinatorisk katalysatordesign, kravet på synergi - där en komponent i en katalysator kompletterar en annan - och eliminering av ineffektiva eller skadliga kombinationer är viktiga överväganden. Dock, än så länge, kombinatoriska katalysatorer har utformats med hjälp av partiska data eller test-och-fel, eller serendipitösa upptäckter av kombinationer som fungerade. En grupp forskare från Japan har nu försökt förändra denna trend genom att försöka utforma ett upprepningsbart protokoll som bygger på ett screeningsinstrument och mjukvarubaserad analys.

    Deras nya studie, publicerad i ACS -katalys , beskriver identifiering av effektiva katalysatorkombinationer, använder det föreslagna protokollet, för oxidativ koppling av metan (OCM). OCM är en mycket använd kemisk reaktion som används för att omvandla metan till användbara gaser i närvaro av syre och katalysatorn. Utarbetar motivationen bakom studien, Dr Toshiaki Taniike, Professor vid School of Materials Science, Japan Advanced Institute of Science and Technology och motsvarande författare till studien, säger, "Kombinationskatalysatordesign är knappast generaliserbar, och den empiriska aspekten av forskningen har förspänt litteraturdata mot oavsiktligt hittade kombinationer. "

    För att härleda en fördomsfri datauppsättning från OCM för att utforma protokollet, forskarna samplade slumpmässigt 300 fasta katalysatorer från ett stort materialutrymme med upp till 36, 000 katalysatorer! Screening av ett så stort antal katalysatorer är nästan omöjligt av mänskliga standarder. Därav, laget använde ett screeningsinstrument med hög genomströmning för att utvärdera deras prestanda för att underlätta OCM. Den erhållna datamängden användes för att beskriva det nya protokollet, syftar till att ge en riktlinje för katalysatordesign. Detta genomfördes i form av en beslutsträdsklassificering, som är en form av maskininlärning som hjälpte till att förstå effektiviteten hos de utvalda katalysatorkombinationerna, för att ge bättre OCM -avkastning. Detta, i tur och ordning, hjälpte till att utarbeta de nödvändiga riktlinjerna för katalysatordesign.

    Intressant, resultaten visade att även med stickprov, 51 av de 300 katalysatorerna gav ett bättre OCM-utbyte jämfört med den alternativa icke-katalytiska processen. Förklarar de potentiella konsekvenserna av deras upptäckt, Dr Keisuke Takahashi, Docent vid Hokkaido University och medförfattare till denna studie, säger, "Kombinationen av experiment med hög genomströmning och datavetenskap har redan visat kraften hos partiska fria katalysatorstora data för att hitta nya katalysatorer såväl som en katalysatordesignriktning. Det är också viktigt att ange väsentligheten i dessa tillvägagångssätt för att genomföra en så krävande studera inom en realistisk tidsram. Genom att utrusta alla väsentliga tekniker i studien, verkligen icke -empirisk katalysatorutveckling kunde realiseras. "

    Verkligen, vi får hoppas, tillsammans med forskarna, att denna strategi kommer att 'katalysera' flera framtida materialvetenskapliga upptäckter.


    © Vetenskap https://sv.scienceaq.com