Artificiell intelligens och automatiserad laboratorieinfrastruktur påskyndar enormt utvecklingen av nya kemiska katalysatorer. Med dessa verktyg utvecklar forskare vid ETH Zürich katalysatorer för att effektivt och kostnadseffektivt syntetisera energikällan metanol från CO2 .
Katalysatorer är kemins hårt arbetande små hjälpare. De påskyndar reaktioner och minskar energin som krävs för att en reaktion ska äga rum. Ju mer specifik och effektiv en katalysator är, desto mer effektivt undertrycks eventuella oönskade sidoreaktioner.
I naturen har enzymer till uppgift att specifikt öka de nödvändiga metaboliska processerna bland de nästan oändliga reaktionsmöjligheterna hos den kemiska soppan i cellerna. I kemiska anläggningar används vanligtvis metallkatalysatorer för att öka produktutbytet.
Forskarna som arbetar på den schweiziska Cat+ teknologiplattformen vid ETH Zürich, ledda av Paco Laveille, har nu utvecklat en helt digitaliserad och automatiserad metod som gör att de kan hitta nya och bättre metallkatalysatorer mycket snabbare än tidigare. Deras process består av en kombination av artificiell intelligens (AI) för att beräkna lovande katalysatorkompositioner och ett automatiserat syntes- och testlaboratorium.
Med denna infrastruktur tog det mindre än sex veckor för teamet att framgångsrikt utveckla cirka 150 katalysatorkompositioner för framställning av metanol från CO2 . De bästa katalysatorerna är kostnadseffektiva och uppvisar höga omvandlingshastigheter med en låg andel biprodukter. "Denna nya metod sparar enormt mycket tid", säger Laveille. "Med ett konventionellt tillvägagångssätt skulle våra experiment ha tagit år."
Forskarna har publicerat två artiklar om deras metod. Den första publicerades förra året i CHIMIA och den andra denna vecka i Chem Catalysis .
Metanol anses vara ett av nyckelelementen för en hållbar kolväteekonomi. Ämnet är en nära kemisk släkting till etanol (d.v.s. att dricka alkohol) och kan användas både som bränsle och som råvara för framställning av organiska föreningar som mediciner, plaster eller färger.
Eftersom det är en vätska är metanol mycket lättare att transportera och lagra än gasformigt väte och metan, två andra energikällor. Dessutom kräver användningen av metanol i den befintliga försörjningsinfrastrukturen och motorerna i dagens bensinteknik endast mindre modifieringar.
I sökandet efter optimala katalysatorer för metanolproduktion finns det ett stort problem:Teoretiskt kan atomer kombineras på ett nästan oändligt antal sätt för att bilda en katalysator. "Det kemiska utrymmet där vi letar efter katalysatorer omfattar cirka 10 20 möjligheter – det är hundra miljarder miljarder. Så vi letar bokstavligen efter en nål i den kemiska höstacken", förklarar Christophe Copéret, professor vid Laboratory of Inorganic Chemistry vid ETH Zürich och medinitiativtagare till Swiss Cat+-projektet.
För att begränsa det enorma utbudet av möjligheter gjorde forskarna ett förval baserat på erfarenhet och ekonomiska krav. En katalysator som kan användas i stor skala måste inte bara vara effektiv utan också billig. Av den anledningen var de huvudsakliga aktiva ingredienserna i katalysatorn begränsade till tre jämförelsevis billiga metaller:järn, koppar och kobolt.
Utöver dessa huvudmetaller övervägde forskarna tre grundämnen som traditionellt sätts till katalysatorer i små mängder för dopningsändamål, samt kalium, som också finns i många katalysatorer. När det gäller bärarmaterial begränsade sig forskarna till fyra typiska metalloxider. Multiplicerat med de olika blandningsförhållandena resulterade detta ändå i 20 miljoner möjliga kombinationer.
Ta iterativa steg med AI-stödd statistik
Vid det här laget tog forskarna in en AI-algoritm som använder vad som kallas Bayesiansk optimering för att hitta de bästa möjliga lösningarna. Denna speciella form av statistik är särskilt lämplig när endast en liten mängd data är tillgänglig. Till skillnad från i klassisk statistik, härrör sannolikheten inte från den relativa frekvensen som beräknats från många experiment. I stället tar beräkningen hänsyn till den sannolikhet som kan förväntas utifrån det aktuella kunskapsläget.
I den inledande omgången valde algoritmen slumpmässigt ut 24 katalysatorkompositioner som uppfyllde de specifikationer som tagits fram i syfte att begränsa komplexiteten. Dessa katalysatorer producerades direkt med hjälp av den schweiziska Cat+ automatiserade laboratorieinfrastrukturen och testades sedan.
Resultaten av detta första urval tjänade forskarna som utgångspunkten för en AI-förutsägelse; de sålunda förutsagda katalysatorkompositionerna syntetiserades och testades i sin tur automatiskt. För detta första demonstrationstest lät forskarna sitt integrerade system genomföra totalt sex sådana omgångar.
Det faktum att resultaten förbättrades mellan omgångarna inte på ett linjärt sätt, utan snarare med stormsteg, var helt avsiktligt:Algoritmen optimerar inte bara resultaten från tidigare omgångar, den inkluderar också en utforskande komponent som matar in helt nya kompositioner i varje runda och lär sig om det kemiska rummet. Så här förhindrade forskarna att beräkningarna fastnade i en återvändsgränd för optimering bland alla möjligheter.
I det här första projektet var forskarnas främsta bekymmer inte att komma med den bästa möjliga katalysatorn för metanolsyntes. "I dagsläget bygger kunskapen om katalysatorer för bränsleproduktion till övervägande del på expertis från oljeindustrin", säger Copéret. "När det kommer till reaktioner för användning inom den hållbara energiindustrin saknas fortfarande tillförlitlig data till stor del."
Men AI-algoritmer och mänsklig forskningsintelligens behöver dessa data innan de kan söka på ett mer riktat sätt i det stora utrymmet av kemiska möjligheter. "Och det är just den typen av högkvalitativ, reproducerbar data som vårt AI-assisterade robotlaboratorium nu levererar. Det kommer säkert att ta katalysatorforskningen en lång väg framåt," tillägger Laveille.
Mer information: Paco Laveille et al, schweiziska CAT+, en datadriven infrastruktur för accelererad upptäckt och optimering av katalysatorer, CHIMIA (2023). DOI:10.2533/chimia.2023.154
Adrian Ramirez et al, Accelererad utforskning av heterogen CO2 hydreringskatalysatorer med Bayesiansk optimerad hög genomströmning och automatiserad experimentering, Chem Catalysis (2024). DOI:10.1016/j.checat.2023.100888
Tillhandahålls av ETH Zürich
