Catalyst Discovery with Artificial Intelligence

החיפוש אחר זרזים טובים יותר כבר זמן רב צוואר בקבוק במחקר כימי וחדשנות תעשייתית. Catalysts להאיץ תגובות כימיות ללא צרכו, מה שהופך אותם חיוניים לתהליכים החל ייצור הפריה לתזזה פרמצבטית והמרות אנרגיה נקייה.באופן מסורתי, גילוי זרז חדש יכול לקחת שנים של ניסויים ספציפיים של ניסוי וטרור, עם חוקרים בודקים מאות או אלפי חומרים של מועמד באופן ידני.

המורכבות העולה של מחקר קטליזה

שיתוק מודרני משתרע על מערכות heterogeneous (משטחים פתורים), זרז הומוגני (מתחמי מולקולרי), ו biocatalysts (enzymes) כל דומיין מציג אתגרים ייחודיים עיצוב: זרזים heterogeneous דורשים שליטה על פני גיאומטריה, הרכב, ואת צפיפות פגם; זרזי רצחניים דורשים כוונון זהיר של סביבות מסורתיות מתכת; ומסתוריות; וחלבון קטנטן בשפע עבור פעילות מיקרוסקופית גבוהה מאוד עבור שטח זעירה של 10 sterrety אחד בלבד.

טכניקות בינה מלאכותית Core ב-Catalyst Discovery

מודלים ממוחשבים

למידה על-ידי פיקוח היא עבודת החיזוי של רכוש זרז.אלגוריסת'מים מאומנים על נתונים כי תכונות זרז זוג (למשל, הרכב אלמנטרי, מבנה גבישי, תכונות אלקטרוניות) עם תכונות מטרה (למשל, קצב תגובה,סלקטיביות, יציבות).

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0) מכונות וקטורליטורים וקטורליים 1:1, יעילות לבעיות סיווג כמו לחזות אם חומר פעיל או לא פעיל.
  • (FLT:0) רשתות עצביות של אדג'ט:1, במיוחד רשתות עצביות גרפיות גרפיות (GNNs) שפועלות ישירות על גרפים מולקולריים או מבנים גבישיים, ולוכדות דפוסים של קשרים אטומיים וסביבת תיאום.

לאחר אימון, מודלים אלה יכולים להעריך מיליוני זרז היפותטי בשניות, הפעלת מרחב החיפוש קומץ של להיטים בעלי יכולת גבוהה.לדוגמה, GNN מאומן על פרויקט Catalyst הפתוח יכול לחזות אנרגיות מודעות של ביניים על פני השטח - מפיץ מפתח של פעילות קטליטית - צמצום הצורך בחישובים פונקציונליים של צפיפות (DFT) על ידי סדרי גודל.

עיצוב יצירתי ומורכב

מעבר לחיזוי חומרים ידועים, AI יכול גם לייצר מבנים חדשים לחלוטין זרז מודלים, כולל autoencoders ו רשתות ניוון אדמירליות, ללמוד את ההפצה של זרזים ידועים ולאחר מכן דגימה מאותו מקום להציע יצירות חדשניות. עיצוב הפוך הולך צעד נוסף: בהתחשב נכס מטרה (למשל, אנרגיה מחייבת), את החיפושים של חומר כי מיטב סטיות הפיקו דווקא גישה זו סגסוגת מתקדמת, אבל זה היה מאוד לא צפוי.

עיבוד שפה טבעי (NLP) לספרות

כמויות של ידע קטליזה קבורים בעיתונים מדעיים, פטנטים ודיווחים.טכניקות NLP לחלץ נתונים מובנים (למשל, תנאי תגובה, התשואה, זרז הרכב) מטקסט לא מובנה.כלי כמו צ'מפינת נתונים או מודלים המבוססים על ליבר מותאם אישית יכולים למפות מסדי נתונים בקנה מידה בלתי אפשרי עבור אוצרות אנושיים.

מקורות נתונים נהיגה ב-AI ב- Catalysis

הצלחתה של בינה מלאכותית תלויה בנתונים איכותיים ומגוונים.מספר מסדי נתונים בקנה מידה גדול מאפשרים כיום הכשרה של מודלים חזקים:

  • פרויקט Catalyst הפתוח (OCP)BuildFLT:1] - תחילת נתונים של מעל 1.3 מיליון מבנים ואנרגיות של קטליטיקת הטרוגניים, שהוחזקה על ידי מחקר בינה מלאכותית של פייסבוק וקנגי מללון אוניברסיטת.
  • (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) חומרים רבי ערך חומרים (REL) כולל תכונות מקובעות עבור אלפי תרכובות אורגניות רלוונטיות לשיתוק אנרגיה.
  • (FLT:0)Reaxys ו-Sy Finderirph:1) - מסדי נתונים מסחריים של נתוני תגובה אורגנית, עכשיו גדל עם תיאורי מכונות.

פלטפורמות סינתזה ניסיוניות, כגון אלה ב-FLT:0Lawrence ברקלי National LaboratoryFLT:1, לייצר אלפי דגימות זרז ליום.שלב נתונים ניסיוניים עם נתונים חישוביים יוצר נתונים היברידיים שמשפרים את הכללת המודל.

סיפורי הצלחה בעולם

AI-designcatalysts עבור התגובה של אבולוציה חמצן

חוקרים במכון המחקר טויוטה השתמשו במסגרת אופטימיזציה של בייסיאנוס כדי לגלות זרז מבוסס ניקל-ברזל חדש לתגובה של התפתחות החמצן (OER) בהתפצלות מים החל מקבוצה ראשונית קטנה של יצירות, האלגוריתם הציע ניסויים, השגת זרז אשר זרז אשר מתפרסם באופן בלתי מוגדר חומרים המבוססים על המדינה על ידי 30% בפעילות.

Machine Learning for Methane Activation

במחקר שפורסם בשנת 2024 ב-FLT:0 [הטבע קטלון] 1 [הטבע קטל], שיתוף פעולה בין MIT לבין אוניברסיטת טורונטו פיתח רשת עצבית גרפית שחזה מחסומים של C-H על פני השטח של מעבר מתכת.המודל זיהה סגסוגת דו-מתכתית (Pdin) שמעולם לא נבדקה להמרת מתאן ואישרה את פעילותה ניסיונית גבוהה שלה, זה מדגיש כיצד AI יכול לקפיצה 3Fencal מבוססי אינטואיציה:2FLT2:

פסיכואנליזה: Aסימטרי hydrogenation

חברות פארמה כמו מרק העסיקו AI להציע ligands chiral לתגובות מימן סימטריות, צעד קריטי בייצור תרופות enantioenriched בינייםs. מודל למידה עמוק מאומן על אלפי שילובים ידועים ligand-metal-metal-reaction המליצו ligand כי שיפור האנגנטימי עודף מ 85% עד 96% עם אופטימיזציה מינימלית.

יתרונות פיתוח AI-Driven Catalyst

  • (FLT:0Speed:03:03: ⁇ 1) AI יכול למסך חללים מועמדים בשעות שלוקחות חודשים או שנים של עבודה במעבדה.סינתזה אוטונומית ופלטפורמות בדיקה נוספות דחוסות את זמני מחזור.
  • (FLT:0) יעילות: FLT:1 Reduction ניסויים חותך חומרים, ציוד, עלויות עבודה. סטארט-אפים רבים מציעים כעת בדיקת זרז וירטואלית כשירות, הורדת המחסום לחברות קטנות יותר.
  • (FLT:0)חדשנות: 1FLT (AI) לעתים קרובות מציע חומרים שמומחים אנושיים לא יחשבו – סטוייממטים לא-סופיים, שלבים מטבוליים, או שילובים רב-תכליתיים המגנים את החוקים הקונבנציונאליים.
  • (FLT:0)Precision: מודלי FLT:1 יכולים לחזות לא רק פעילות אלא גםסלקטיביות, יציבות בתנאים של תגובה, ו- deactivation Paths.השקפה הוליסטית זו משפרת את שיעורי ההצלחה באימות.

אתגרים ומגבלות

איכות נתונים וזמינות

בעוד מסדי נתונים גדלים, הם עדיין סובלים מהטיות: רוב הנתונים DFT הם עבור משטחים נקיים, מחזוריים, בעוד זרז אמיתי הם לעתים קרובות נתמך, מקודמים, או מועלים.נתוני הניסויים הוא רועש, עם וריאציות על פני מעבדות ותנאי מדידה.בני מודלים חיזוי אמין דורש פגיעה בנתונים זהה וודאות קוונטית.

יכולת

מודלים רבים בעלי ביצועים גבוהים, במיוחד רשתות עצביות עמוקות, מתפקדים כקופסאות שחורות.צ'מיסטים צריכים להבין את ה-FLT:0 (למה FLT:1) זרז צפוי להיות פעיל כדי לסמוך על ההמלצה ולסלק עקרונות עיצוב.מחקר לתוך AI (למשל, מנגנוני תשומת לב, תכונה בנקמה) הוא מתמשך אך עדיין לא סטנדרטי.

העברה

מודל המוכשר על זרזי OER עלול להיכשל לתגובות המימן מכיוון שהפיזיקה הבסיסית שונה.העברה למידה - לימוד מודל מומן מראש על סוגי תגובה חדשים - עוזרות אך דורש התאמות זהות כדי למנוע ⁇ קטסטרופלית.

שילוב עם מעבדות אוטונומיות

החזון האולטימטיבי הוא לולאה סגורה: AI מציע זרז, מערכת רובוטית מסנתנת ומחנת אותם, והתוצאות ניזונות בחזרה למודל.כמה קבוצות הוכיחו מערכות כאלה עבור photocatalysis ו אלקטרו-קטאליזה, אבל מדרג אותם לתגובות מורכבות יותר (למשל, סדקים קטליטיים) נשאר אתגר חומרה ותוכנה.

כיוונים עתידיים

מודלים ל Catalysis

מודלים שפה גדולים ו- AI רב-ממדיים מתחילים להיות מיושם על כימיה.מודל בסיס מאומן על מיליוני מבנים גבישיים, גרפנים מולקולריים, וטקסטים תגובה יכולים לשמש מנוע למטרות כלליות לתכנון זרז, בדומה לאופן שבו מודלים GPT מטפלים בשפה.

המונחים: Quantum Computing

מחשבים קוונטיים עשויים בסופו של דבר לפתור את משוואה Schrödinger בדיוק, הסרת האפליקציות הטבועות ב DFT.עבור עכשיו, מודלים היברידיים קוונטיים-קלאסיים נחקרים כדי ליצור נתונים מדויקים יותר עבור מודלים של AI, במיוחד עבור מסובכות מתכת מעבר עם מתאם אלקטרוני חזק.

פלטפורמות משותפות ומדע פתוח

מאמצים כמו AI עבור קטגוריית קטליזה (AICat) שואפים סטנדרטיזציה של פורמטי נתונים, מודלים לחלוק וביצועים של ביצועים מדויקים. Open-source כלים (למשל, FLT:0OCP מודלים על GitHubcioFLT:1) להאיץ את הרבייה וההסתגלות על פני קבוצות מחקר.

מסקנה

אינטליגנציה מלאכותית אינה רק כלי לאוטומטי של זרמי עבודה ישנים – היא מאמת את מה שניתן בגילוי זרז.על ידי למידה מהנתונים הקיימים, יצירת מועמדים חדשים, ושילוב ניסויים אוטונומיים, AI מחסחסמת את ציר הזמן מהרעיון לזרז מעשי מזרז מעשי בשנים עד חודשים או אפילו שבועות.