دانلود بازی Acceleating Catalyst Discovery with Artificial Intelligence

جستجوی کاتالیزورهای بهتر مدتهاست که تنگنا در تحقیقات شیمیایی و نوآوری صنعتی بوده است. کاتالیزورها واکنش های شیمیایی را بدون مصرف تسریع می کنند و آنها را برای فرآیندهایی از تولید کود به سنتز دارویی و تبدیل انرژی پاک ضروری می کند، کشف یک کاتالیزور جدید می تواند سالها آزمایش آزمایشی و آزمایش های تجربی را انجام دهد، با آزمایش صدها یا هزاران مواد کاتالیزوری که به صورت دستی، دانشمندان هوش مصنوعی (AI) را قادر می سازد تا تکنیک های خودکار را کشف کنند و تجزیه و تحلیل کنند.

پیچیدگی فزاینده تحقیقات کاتالیز

کاتالیز مدرن سیستم های ناهمگن (سطح های جامد)، کاتالیزورهای همگن (مخش مولکولی)، و بیکات (نzymes) را شامل می شود (هر دامنه چالش های طراحی منحصر به فرد را ارائه می دهد: کاتالیزورهای ناهمگن نیاز به کنترل بر هندسه سطح، ترکیب و چگالی نقص دارند؛ کاتالیزورهای همگن خواستار تنظیم دقیق روابط و مراکز فلزی هستند؛ و بیوکاتالعاریالعملاً بر فعالیت های استاندارد سازی بالا مبتنی بر مقدار زیادی از ساختار کوچک است.

تکنیک های هوش مصنوعی Core در Catalyst Discovery

مدل های آموزش ماشین سوپرvised Machine Learning Models

یادگیری فوق العاده توصیه شده است که پیش بینی اموال کاتالیزور است. Algorithms در مجموعه داده هایی آموزش داده می شود که ویژگی های کاتالیزور جفت (به عنوان مثال ترکیب عنصری، ساختار بلور، خواص الکترونیکی) با خواص هدف (به عنوان مثال، نرخ واکنش، انتخاب، ثبات) مدل های مشترک شامل:

  • جنگل های Random و گروه های تقویت گرادیان، که انواع داده های مخلوط را اداره می کنند و بینش های مهم را ارائه می دهند.
  • دستگاه های بردار پشتیبانی ، برای مشکلات طبقه بندی مانند پیش بینی اینکه آیا یک ماده فعال یا غیر فعال است، موثر است.
  • شبکه های عصبی برش ، به ویژه شبکه های عصبی گراف (GNNs) که به طور مستقیم در گراف مولکولی یا ساختارهای کریستالی کار می کنند، الگوهای پیوند اتمی و محیط های هماهنگی را ثبت می کنند.

هنگامی که آموزش دیده، این مدل ها می توانند میلیون ها کاتالیزور فرضی را در ثانیه ارزیابی کنند، فضای جستجو را به تعداد انگشت شماری از بازدید های با قابلیت بالا تبدیل کنند، به عنوان مثال، GNN آموزش دیده در مجموعه داده های پروژه کاتالیزور باز می تواند انرژی های جذب واسطه ها را در سطوح پیش بینی کند - یک توصیف کلیدی از فعالیت کاتالیزوری - نیاز به تئوری عملکردی چگالی (DFT) را با سفارشات اندازه بالا.

طراحی های متنوع و غیر مستقیم

فراتر از پیش بینی مواد شناخته شده، AI همچنین می تواند ساختارهای کاتالیزور کاملا جدید را تولید کند.مدل های Generative، از جمله autoencoders و شبکه های عمومی مجاور، توزیع کاتالیزورهای شناخته شده را یاد بگیرد و سپس نمونه از آن فضا برای پیشنهاد ترکیب های متنوع، یک گام دیگر می رود: با توجه به یک ملک هدف (به عنوان مثال، کاتالیزور انرژی خاص)، جستجو برای بهترین مدل آلیاژی که دقیقاً محدود کننده چنین سایت های بسیار فعال است، اما دقیقاً این روش توزیع مواد را برآورده می کند.

پردازش زبان طبیعی (NLP) برای معدن ادبیات

مقادیر Vast از دانش کاتالیز در مقالات علمی، اختراعات و گزارش ها دفن شده است. تکنیک های NLP داده های ساختاری (به عنوان مثال، شرایط واکنش، بازده، ترکیب کاتالیزور) را از ابزارهای متن غیر ساختار یافته مانند ChemDataExtractor یا مدل های سفارشی BERT می توانند پایگاه های داده را در مقیاس غیرممکن برای مدیران انسانی به کار گیرند.

منابع داده رانندگی AI در Catalysis

موفقیت AI بستگی به داده های با کیفیت بالا و متنوع دارد.S چندین پایگاه داده بزرگ در حال حاضر آموزش مدل های قوی را فعال می کند:

سیستم عامل های سنتز پیشرفته تجربی، مانند سیستم عامل های Lawrence Berkeley آزمایشگاه ملی ، تولید هزاران نمونه کاتالیزور در روز. ترکیب داده های تجربی با داده های محاسباتی، مجموعه داده های هیبریدی را ایجاد می کند که تعمیم مدل را بهبود می بخشد.

داستان های موفقیت جهانی

طراحی الکترون های طراحی شده برای واکنش های تکامل اکسیژن

محققان موسسه تحقیقات تویوتا از یک چارچوب بهینه سازی zi برای کشف یک کاتالیزور جدید مبتنی بر نیکل برای واکنش تکامل اکسیژن (OER) در تقسیم آب استفاده کردند.از مجموعه اولیه کوچک ترکیبات، الگوریتمی که به طور غریزی آزمایش های پیشنهادی ارائه شده است، دستیابی به کاتالیزوری که از مواد مبتنی بر فیزیک پیشرفته توسط کمپین 30٪ استفاده می کند.

یادگیری ماشین برای فعال سازی متان

در مطالعه ای در سال ۲۰۲۴ که در Catalysis طبیعت منتشر شد، همکاری بین MIT و دانشگاه تورنتو یک شبکه عصبی گرافی را توسعه داد که پیش بینی می کرد موانع فعال سازی پیوند C-H بر سطوح فلزی انتقال یافته است.(LT:2.3) این مدل یک آلیاژ دو فلزیک (Pdin) را شناسایی کرد که هرگز برای تبدیل متان آزمایش نشده و فعالیت های آزمایشی آن را تایید کرده بود.[۱۰]

کاتالیز دارویی: هیدروژن نامتقارن

شرکت های داروسازی مانند Merck AI را استخدام کرده اند تا نشان دهندگان کایرال برای واکنش های هیدروژن نامتقارن، یک گام حیاتی در تولید مواد مخدر جذب شده از 85٪ به 50٪ با بهینه سازی کم است.

مزایای توسعه کاتالیزور AI-Driven

  • Speed: AI می تواند فضاهای کاندید را در ساعت هایی که ماه ها یا سال ها کار آزمایشگاه را می گذرانند، نمایش دهد.
  • مقرون به صرفه بودن: [FLT 1 ] کاهش آزمایش کاهش مواد، تجهیزات و هزینه های کار. بسیاری از استارت آپ ها در حال حاضر ارائه غربالگری کاتالیزور مجازی به عنوان یک سرویس، کاهش مانع برای شرکت های کوچکتر.
  • نوآوری: AI اغلب مواد را پیشنهاد می کند که کارشناسان انسان در نظر نمی گیرند - stoichiometries، مراحل متاس و یا ترکیبات چند پیاده سازی که از قوانین متعارف سرپیچی می کنند.
  • تصمیم گیری: مدل ها نه تنها می توانند فعالیت را پیش بینی کنند بلکه انتخاب، ثبات در شرایط واکنش و مسیرهای غیرفعال کردن را نیز پیش بینی کنند.

چالش ها و محدودیت ها

کیفیت داده ها و مقدار

در حالی که پایگاه های داده در حال رشد هستند، آنها هنوز از سوگیری رنج می برند: اکثر داده های DFT برای سطوح تمیز، دوره ای است، در حالی که کاتالیزورهای واقعی اغلب پشتیبانی، ارتقاء، یا مسموم شده اند، داده های تجربی پر سر و صدا هستند، با تغییرات در سراسر آزمایشگاه ها و شرایط اندازه گیری قابل اعتماد ساختمان، مدل های پیش بینی نیاز به آسیب پذیری دقیق و عدم اطمینان اندازه گیری دارند.

قابلیت پیش بینی

بسیاری از مدل های با عملکرد بالا، به ویژه شبکه های عصبی عمیق، به عنوان جعبه های سیاه عمل می کنند. شیمیدانان باید درک کنند چرا یک کاتالیزور پیش بینی می شود فعال به توصیه و استخراج اصول طراحی است. تحقیقات در AI قابل توضیح (به عنوان مثال، مکانیزم های توجه، ویژگی های ارجاع) در حال انجام است، اما هنوز استاندارد نیست.

انتقال پذیری

یک مدل آموزش دیده در کاتالیزورهای OER ممکن است در واکنش های هیدروژنه شکست بخورد زیرا فیزیک پایه متفاوت است.انتقال یادگیری - اصلاح یک مدل از پیش آموزش دیده در انواع واکنش های جدید - کمک می کند اما نیاز به منظم سازی دقیق برای جلوگیری از فراموش کردن فاجعه بار دارد.

ادغام با آزمایشگاه های مستقل

چشم انداز نهایی یک حلقه بسته است: AI کاتالیزورها، یک سیستم روباتیک سنتز و آزمایش آنها را پیشنهاد می کند و نتایج به مدل تغذیه می کند. چندین گروه چنین سیستم هایی را برای فتوکاتازیس و الکتروکاتتاوز نشان داده اند، اما آنها را به واکنش های پیچیده تر (به عنوان مثال، کرک کردن کاتالیزور) یک چالش سخت افزار و سخت افزاری باقی می ماند.

مسیر های آینده

مدل های بنیاد برای کاتالیز

مدل های زبان بزرگ و AI چند منظوره در حال شروع به استفاده در شیمی هستند. [۱] مدل پایه آموزش داده شده در میلیون ها ساختار کریستالی، گراف مولکولی و متون واکنش می تواند به عنوان یک موتور کلی برای طراحی کاتالیزور، شبیه به اینکه چگونه مدل های GPT زبان را اداره می کنند، شامل نمونه های اولیه (FLT:0CatGPT[[۱۰] و Matert.

یکپارچه سازی محاسبات کوانتومی

رایانه های کوانتومی در نهایت ممکن است معادله شیینگر را دقیقاً حل کنند، از بین بردن تقریبی ذاتی در DFT. در حال حاضر، مدل های هیبریدی کلاسیک کوانتومی برای تولید داده های دقیق تر آموزش برای مدل های AI، به ویژه برای انتقال فلزات با همبستگی الکترون قوی مورد بررسی قرار می گیرند.

پلتفرم های همکاری و علوم باز

تلاش هایی مانند AI برای کنسرسیوم کاتالیز (AICat) با هدف استاندارد سازی فرمت های داده، مدل های به اشتراک گذاری و عملکرد معیار (به عنوان مثال، مدل های منبع باز (FLT:0OCP در GitHub) سرعت تولید و سازگاری در گروه های تحقیقاتی.

نتیجه گیری

هوش مصنوعی صرفاً ابزاری برای خودکارسازی جریان های کاری قدیمی نیست – تعریف مجدد آنچه در کشف کاتالیزور امکان پذیر است، با یادگیری از داده های موجود، تولید نامزدها جدید و ادغام آزمایش های مستقل، هوش مصنوعی زمان را از مفهوم به کاتالیزور عملی از سال ها تا ماه ها یا حتی هفته ها فشرده می کند، در حالی که چالش هایی مانند کیفیت داده ها، تفسیر و انتقال پایدار، تخصص یادگیری پاک کننده نیاز به یک ماشین شیمیایی پایدار دارد و کشف یک ماشین آلات شیمیایی پایدار برای کشف یک تغییر می کند.