Forskare har utvecklat ett "självkörande" labb som använder artificiell intelligens (AI) och automatiserade system för att tillhandahålla djupgående analyser av katalytiska reaktioner som används i kemisk forskning och tillverkning. Det nya verktyget, kallat Fast-Cat, kan ge mer information på fem dagar än vad som är möjligt under sex månaders konventionella tester.
Forskningsuppsatsen "Autonomous reaction pareto-front mapping with a self-driving catalysis lab," visas i tidskriften Nature Chemical Engineering .
Det handlar om utbytet och selektiviteten av kemiska reaktioner i närvaro av molekyler som kallas ligander.
Utbyte hänvisar till hur effektivt en kemisk reaktion producerar en önskad produkt från de kemikalier du började med. Selektivitet hänvisar till i vilken utsträckning du kan få en kemisk reaktion att producera en specifik produkt istället för att skapa flera produkter. Ligander används i stor utsträckning i katalys, påskyndar och kontrollerar selektiviteten hos kemiska reaktioner som används i processer som sträcker sig från industriell kemi till läkemedelstillverkning.
Ur ett branschperspektiv vill man ha högsta möjliga avkastning och selektivitet. Eftersom de specifika stegen du tar när du utför den katalytiska reaktionen kan påverka både utbyte och känslighet, lägger industriella kemister oerhört mycket tid och ansträngning på att försöka hitta de parametrar som krävs för att uppnå det mest önskvärda reaktionsresultatet.
"Problemet är att konventionella tekniker för upptäckt och utveckling av katalysatorer är tids-, material- och arbetskrävande", säger Milad Abolhasani, motsvarande författare till en artikel om arbetet och docent i kemi- och biomolekylär teknik vid North Carolina State University.
"Dessa tekniker förlitar sig till stor del på manuell provhantering med batch-reaktorer, såväl som mänsklig intuition och erfarenhet för att driva experimentplaneringen. Förutom de materiella ineffektiviteterna skapar detta mänskligt beroende tillvägagångssätt för katalysatorutveckling ett stort tidsgap mellan utförandet av reaktionen , karakterisera produkten och fatta ett beslut om nästa experiment. Det är därför vi skapade Fast-Cat. Vi kan nu bättre förstå hur en specifik ligand fungerar på fem dagar än vad som tidigare var möjligt på sex månader>
Fast-Cat är helt autonom och använder AI och automatiserade system för att kontinuerligt köra gas-vätskereaktioner med hög temperatur och högt tryck. Den autonoma teknologin analyserar också resultatet från var och en av dessa reaktioner för att avgöra – utan mänsklig inblandning – hur olika variabler påverkar resultatet av varje experiment.
Fast-Cat använder resultaten från alla tidigare experiment som den har kört – både framgångar och misslyckanden – för att informera om vilket experiment det kommer att köras härnäst.
"Fast-Cats AI utvecklas ständigt och lär sig av de experiment som den redan har genomfört", säger Abolhasani.
I lekmannatermer låter användare Fast-Cat veta vilka ligander och prekursorkemikalier den måste börja med, och sedan se hur mycket den kan lära sig över 60 experiment.
"Vi ägnade mycket tid åt att finjustera Fast-Cats AI-modell för att optimera dess förmåga att ge bredast möjliga förståelse för hur olika parametrar påverkar selektiviteten och utbytet av katalytiska reaktioner med en specifik ligand", säger Abolhasani.
"Vi ägnade också mycket tid åt att säkerställa att Fast-Cats fynd är skalbara. Fast-Cat genomför sina experiment med extremt små urvalsstorlekar. Men om vi vill att dess fynd ska vara relevanta för praktisk användning behövde vi veta att Fast-Cats fynd gäller för reaktioner utförda i stor skala som är relevanta för industriell tillverkning."
För proof-of-concept-testning använde forskarna Fast-Cat för att karakterisera den katalytiska prestandan hos sex ligander som redan finns i forskningslitteraturen.
"Den här tekniken ger en djupgående optimering av varje unik ligand", säger Dawn Mason, global extern innovationschef på Eastman, ett globalt specialmaterialföretag som stödde arbetet. "För första gången kan vi snabbt bedöma en mängd olika parametrar och få en verkligt djupgående förståelse för hur man kan påverka prestandan för varje ligand. Vi mer än fördubblade mängden möjliga selektivitets- och utbytesändpunkter för varje ligand. undersökt. Otroligt nog tog det bara fem dagar att bedöma var och en."
"Det finns ett genuint värde för kemi- och läkemedelsindustrin att bättre förstå hur man kan påverka de katalytiska processer de använder i tillverkningen", säger Jeff Carbeck, vice vd för företagsinnovation på Eastman. "Fast-Cat ger den förståelsen – och gör det snabbt, effektivt och samtidigt som man använder små mängder av relevanta ligander och kemiska prekursorer. Med andra ord är det snabbt, billigt och mycket effektivt."
Forskarna har gjort mjukvaran och hårdvaran allmänt tillgänglig så att Fast-Cat kan användas för att underlätta ytterligare forskning.
"Vi hoppas att andra forskare kan använda den här tekniken för att påskynda upptäckten av katalys i akademin och industrin", säger Abolhasani.
Uppsatsen var medförfattare av Jeffrey Bennett, en postdoktor vid NC State; Negin Orouji och Sina Sadeghi, som båda är Ph.D. studenter vid NC State; Muzammil Khan, en tidigare postdoktor vid NC State; och Jody Rodgers från Eastman.
Mer information: Autonomous Reaction Pareto-Front Mapping med ett självkörande katalyslaboratorium, Nature Chemical Engineering (2024). DOI:10.1038/s44286-024-00033-5. www.nature.com/articles/s44286-024-00033-5
Journalinformation: Nature Chemical Engineering
Tillhandahålls av North Carolina State University
