למידת מכונה (ML) התפתחה ככלי טרנספורמטיבי בתחום העיצוב של זרז, שינוי הפרדיגמה מניסוי ניסיוני המסורתי-טרור לגילוי מונע נתונים.על ידי מינוף של נתונים עצומים מניסויים ומחישובים, אלגוריתמים ML יכולים לחזות ביצועים זרז, אופטימיזציה של מצבי תגובה, וחשיפת מערכות יחסים בסיסיות-פעילות-בסיסית.זה מאיץ את הפיתוח של יעיל יותר, סלקטיבית, עמיד, אשר הם תהליכים קריטיים ללכידת פחמן, כמו טכנולוגיות סביבתית, כמו קרינת פחמן-אווירה, כמו קרינת אנרגיה מתקדמת, ואפקטים, כמו אטומית, כמו אטומית, כגון טכנולוגיות קריטי, ולהפחית את ההשפעות פחמן-אווירה, כגון אטומית, כמו אטומית, כגון אטומית, כדי להפחית את ההשפעות פחמן-אקטיביות, ולהפחית את ההשפעות פחמן-אקטיביות, כגון טכנולוגיות טכנולוגיות טכנולוגיות-אקטיביות, ולהפחית את ההשפעות פחמן-אקטיביות, פיתוח של אנרגיה יעילה יותר, ולהפחית את התפתחות של אנרגיה יעילה יותר, כגון טכנולוגיות פחמן-אקטיביות, פחמן-אקטיביות, פיתוח של אנרגיה יעילה יותר, כגון:

מבוא Catalyst Design

Catalysts הם חומרים מאיצים תגובות כימיות ללא צורך, המאפשרים תהליכים להתקדם בתנאים קלים יותר עם בחירה גבוהה יותר. הם מרכזיים ביותר מ -90% של תהליכים כימיים תעשייתיים, מייצור הפריהר לסינתזה תרופות.עיצוב זרז כרוך קידוד תכונות מרובות, כולל פעילות, סלקטיבית, יציבות, ועלות באופן מסורתי, זה דורש בדיקות ניסיוניות נרחבות ומחקרים מכניים לעתים קרובות על ידי אינטואיציה יקרה, כמו שיטות למידה סטנדרטיות, אך ורקמות בינוניות, אך שיטות למידה, כגון אטומיות, אך ורקמות, שיטות חישוביות.

תפקיד הלמידה של Machine Learning in Catalyst Development

מודלים של למידת מכונות מאומנים על נתונים המשלבים תוצאות ניסיוניות, חישובים חישוביים, וספקים כימיים.מודלים אלה לומדים למפות תכונות קלט - כגון יצירות אלמנטליות, סביבות תיאום, או אנרגיות מודעות – כדי למקד נכסים כמו תדירות או אנרגיה הפעלה.לאחר אימון אנרגיה, מודל יכול לחזות את הביצועים של אלפי זרזי תוכנה תוך שניות, ביעילות הקרנה של ספריות וירטואליות לפני כל סינת מבוצעת היא יכולת זו.

איסוף נתונים והנדסת תכונות

נתונים באיכות גבוהה הוא הבסיס של כל יישום ML מוצלח בקטאליזה. מקורות נתונים כוללים ספרות שפורסמה, מסדי נתונים ציבוריים כמו Catalysis-Hub או מסד הנתונים חומרים NREL, תוצאות ניסיוניות קנייניות, ו repositories חישוביים.

  • (ב) ⁇ :0) תכונות בסיסיות: רדיוס אטומי, אלקטרוגנטיות, פוטנציאל ההון, מרכז ד-band.
  • (ב) ,0) תיאורים של ה-Structural (FLT:1 ), כגון מספרי תיאום, אורך האג"ח, סיום פני השטח וגודל החלקיקים.
  • (FLT:0) תכונות אלקטרווניות של קונסול 1 נגזר חישובים DFT, כולל צפיפות של מדינות, תפקוד עבודה, ואנרגיות מודעות למולקולות בדיקה.
  • (ב) ,0) תכונות ייצוגיות (FLT:1) כמו יחסי סטוכיום, ריכוזי דונט ורכבי ⁇ .

הנדסה תכונה דורשת מומחיות דומיין לבחור פקודות רלוונטיות המתואמים עם התנהגות קטליטית.ההתפתחויות האחרונות בלמידה ייצוגית, כגון רשתות עצביות גרפיות (GNNs), לאפשר מודלים ללמוד באופן אוטומטי תכונות ממבני אטומיים, צמצום ההסתמכות על תיאוריים ידניים.עם זאת, עיבוד זהיר כדי להתמודד עם נתונים חסרים, מחוץ לערים, ויחידות נשאר חיוני כדי למנוע תחזיות מוטות.

טכניקות למידה מכונות בשימוש

מגוון של אלגוריתמים של ML מותאמים למחקר קטליזה, כל אחד מתאים לסוגים שונים של נתונים ומשימות חיזוי:

  • (FLT:0) מודלים של רגרסיה (למשל, יערות אקראיים, ⁇ שיפור, תהליכים גאוסיים) משמשים באופן נרחב לחיזוי פלטות רציפות כמו שיעורי תגובה, מחסומים הפעלה או אנרגיות מחייבות.
  • (FLT:0 אלגוריתמים של אלגוריתמים קדמיה (Classification אלגוריתמים) 1 (למשל, זרזים לדרגות פעילות (למשל, גבוה, בינוני, נמוך) או סוגים חומריים (למשל, תחמוצות מתכת, זאוליטים, זרז חד-אטומי), המאפשר מיון מהיר של מועמדים.
  • (FLT:0) למידה שלמדפוס FLT:1, במיוחד רשתות עצביות אבולוציה (CNN) ורשתות עצביות גרפיות (GNNs), מצטיין בעיבוד נתונים מרחביים וקשריים מורכבים. GNNs יכול לפעול ישירות על מבנים מולקולריים או גבישיים, לכידת אינטראקציות אטומיות קריטיות לביצועים קטליטיים.
  • (FLT:0 אלגוריתמים וגרמיוניסטים אבולוציוניים: 1) משמשים לחיפוש חללים משולבים, כגון התאמת יצירות זרז או סינתזה פרמטרים, על ידי חיקוי של ברירה טבעית.
  • (FLT:0) אסטרטגיות למידה קולקטיבית FLT:1 , בחר באופן רציונאלי את נקודות הנתונים המודיעיניות ביותר לתווית, איזון חקירה וניצול כדי למזער את מספר הניסויים הדרושים.

טכניקות אלה משולבות לעתים קרובות בזרימות עבודה היברידיות.לדוגמה, GNN עשוי לחזות אנרגיות מודעות, אשר לאחר מכן ניזונות למודל קיננטי, בעוד לומד פעיל מציע זרזי הרכב חדשים כדי לבדוק במעבדה.

מודלים של Machine Learning עבור Catalysis

Graph Neural Networks for Structure-Property Mapping

רשתות עצביות של Graph הפכו אבן הפינה של ML בעיצוב זרז בשל יכולתם לעבד מבנים אטומיים ישירות. in a GNN, אטומים מיוצגים כמו נוודים עם וקטורים תכונה, ואיגרות חוב כמו הקצוות. הודעות מועברות בין צמתים שכנים כדי ללכוד סביבות כימיות מקומיות.אדריכלות זו מתאימה באופן טבעי לחיזוי תכונות כמו היווצרות, פערים, ופרסומות מפני קריסטל או גרפים כגון DGMACs, כמו מודלים שונים, כמו DGarts.

שיטות אנסמבל ו-Unknownty Quantification

שיטות אנסמבל כמו יערות אקראיים ו- ⁇ שיפור להציע ביצועים חזקים עם נתונים קטנים יחסית, אשר נפוץ במחקר קטליזה שבו נקודות נתונים ניסיוני יכול להיות יקר לייצר.הם גם לספק ציונים תכונה המסייעים לפרש אשר descriptors לנהוג ביצועים זרז. Unquity קוונטי טכניקות, כגון מונטה קרלו טיפות או Gausian תהליכים, לתת מינוף של תחזיות.זה חיוני עבור ניהול סיכונים כאשר זרז עבור מועמדים לבחירה מוקדם יותר, כמו זיהוי מוקדם יותר, כמו בדיקות מוקדם יותר, כמו בדיקות זרז מוקדם יותר, כמו בדיקות מוקדם יותר, כמו זרז מוקדם יותר.

טכנולוגיות למידה ומודלים של Multi-Fidelity

העברת למידה ממנתח ידע מהנתונים הגדולים, הגנריים (למשל, חישובים DFT על אלפי חומרים) כדי לשפר תחזיות על נתונים קטנים יותר, ספציפיים (למשל, נתונים ניסיוניים לתגובה מסוימת) גישה זו מפחיתה את הצורך בנתונים הכשרה נרחבת.מודלים רב-נאמנות משלבים נתונים מרמות שונות של תיאוריה (למשל, פוטנציאל אמפירי זול ויקר ו DFT) למנת דיוקים המבוססים על ידי שיטות חישוביות נמוכה יותר.

היתרונות של שימוש ב- Machine Learning

למידת מכונה מציעה יתרונות שונים על פני גישות מסורתיות בעיצוב זרז:

  • (ההקדמה:0) ,Acceleration of DiscoverFLT:1) ML יכול למסך מיליוני חומרים מועמדים חישוביים בשעות, משימה שלוקחת שנים באמצעות שיטות חישוביות ניסיוניות או גבוהות.
  • (FLT:0) שיפור הדיוק הנבאטיבי של הדיוק: על ידי למידה של מערכות יחסים לא לינאריות מהנתונים, מודלים של ML לעתים קרובות מחלחלים יחסים פשוטים או נסיגה ליניארית, במיוחד עבור זרזים מורכבים.
  • (FLT:0) גילוי של חללים כימיים גדולים: ML מאפשר חיפושים שיטתיים על הרכב, המבנה, ופרמטרי סינתזה, חושף זרזים לא קונבנציונליים שניתן להתעלם מהם על ידי אינטואיציה.
  • (FLT:0) תובנות מכניות של ההרחבה:1: מודלים בין-ארציים יכולים להדגיש תכונות חשובות, כגון מוטיבים תיאום ספציפיים או תכונות אלקטרוניות התואמים עם פעילות, להנחות הבנה בסיסית.
  • (FLT:0) אינטגרציה עם אוטומציהFLT:1: אלגוריתמי ML יכולים להיות מוטבעים במערכות אוטומטיות סגורות של קוד פתוח המבצעות ניסויים, לנתח תוצאות, ולהציע שלבים הבאים ללא התערבות אנושית, עלייה דרמטית באמצעות לוח.

היתרונות הללו הודגמו בתחומים מרובים, מאלקטרוקטאליה למים פיצול לקטאליזה heterogeneous עבור הפעלה מתאן.

מחקרים ב-ML-Driven Catalyst Discovery

חיזוי תגובה ל-חמצן Evolution Responseion Catalysts

דוגמה בולטת אחת היא השימוש ב-ML כדי לזהות זרזים יעילים לתגובה של האבולוציה של החמצן (OER), צוואר בקבוק מפתח באלקטרוליטיזה מים לייצור מימן. חוקרים במכון ג'יי הרסטסקנדיק האומנים במודלים אקראיים של יערות על DFT-computed אנרגיות של אמצעי תגובה על פני תחמוצת מתכת.ה מודל חזומת OERpotentials עבור אלפי מועמדים, המוביל לגילוי חד חמצני, בהשוואה להיקף חישובי משקל יקר.

אופטימיזציה Ammonia Synthesis Catalysts

Ammonia סינתזה באמצעות תהליך Haber-Bosch הוא אנרגיה-intensive ומסתמך על זרזים מבוססי ברזל שקודמו עם אשלגן ואלומיניום. ML מודלים פותחו כדי לייעל את הרכב הקדם והפצה בגודל חלקיקים. A מחקר ב olipj:0npj Computational Computational ComputationalFLT:1 השתמש ⁇ כדי לחזות קצבי אנמונית מתכונות מבניות, אשר יכול לקדם יחס מתון של חלקיקים ואפקטים פחות.

עיצוב יחיד Atom Catalysts עבור CO2 Reduction

זרז יחיד (SACs) מציעים יעילות מקסימלית ונכסים אלקטרוניים טונופול.שימוש ברשתות עצביות גרפן, צוות מאוניברסיטת טורונטו הציג מעל 200 אלף תצורה SAC על תמיכה שונים בניצול אלקטרו-כימי ל methanol.המודל חזה כי גרפן חנקן תומך עם מתכות ספציפיות מעבר (למשל, Nip) הציגה גבוהה מאוד בחירה נמוכה וצפוינית על חיזוי יעיל של חומר זה, CVSFID, אשר יכול להדגים את ה-FID, כך, כך ש-FCTS Propentation, סימולציה יעילה, אשר יכול להיות מאושר, אשר יכול להיות מאושר, כך, סימולציה של פעילות פחמן-F.

אתגרים ומגבלות

למרות ההבטחה, יישום למידת מכונה בעיצוב זרז ניצב מספר מכשולים:

  • (FLT:0) מחסור בנתונים ואיכות (איכות) 1:1: נתונים ניסיוניים באיכות גבוהה עם תנאים עקביים מוגבלים.מספרים נתונים הם קטנים, רועשים, או נאספים תחת הגדרות ניסיוניות בלתי ניתנות להשוואה.
  • (ב) ,0) מפרשיות מנדל 1: מודלים למידה עמוקה פועלים לעתים קרובות כקופסאות שחורות, מה שמקשה על מיצוי הבנה מכניסטית או לזהות מדוע נעשה חיזוי.
  • (FLT:0) מומחיות ספציפית ספציפית נדרשה 1FLT: פרויקטים מוצלחים של ML דורשים שיתוף פעולה בין מדעני נתונים מומחים לשיתוק כדי להגדיר תכונות רלוונטיות, לבחור אלגוריתמים מתאימים, לאמת תוצאות.
  • (FLT:0) הכללה על פני התנאים של FLT:1: מודלים מאומן על נתונים של כורים ספציפיים, לחצים או טמפרטורה עשויים להיכשל כאשר חלים על תנאי הפעלה שונים או שיעורי תגובה. Robust להעביר למידה וטכניקות הסתגלות דומיין עדיין מתפתחים.
  • (FLT:0) אינטגרציה של נתונים רב-ממדיים של ספקטרום 1: שילוב של ספקטרוסקופי, קיננטיה ומבנית לתוך מסגרת חיזוי יחיד נשאר מאתגר.

התייחסות לאתגרים אלה דורשת המשך ההשקעה במאגרי מידע פתוחים, מאגרי מידע מדויקים כמו FLT:0 (Catalysis-HubrovFLT:1, ופיתוח שיטות AI ניתנות לתיאור המותאמים לכימיה.

אפשרויות ודרכים לעתיד

המונחים: closed-Loop Autonomous Laboratories

אחד הגבולות המרגשים ביותר הוא שילוב של ML עם ניסויים רובוטיים ואופייזציה אוטומטית.במעבדות "עצמיות-מתפתחות", מודל ML מציע ניסוחים, רובוט מסונתז ומבחן אותם, והתוצאות מוזנים בחזרה לעדכן את המודל.לאה זו יכולה לרוץ באופן קבוע, להאיץ אופטימיזציה דרמטי.

Multi-Scale Modeling and Inverse Design

מודלים עתידיים ML יחלפו בקנה מידה רבים, ממבנה אלקטרוני להנדסת כור, מתן תחזיות מקצה לקצה. שיטות עיצוב הפוכה, שבו מודל מייצר מבנים זרז עם תכונות מטרה הרצויות (למשל, פעילות גבוהה עבור תגובה מסוימת), הם צוברים מודלים סטריליים כגון קודמי אוטומטי ורשתות אדניטיביות (VAs) ו- התחדשות (G) יכולות להציע מבנים חדשים או לספק משטחים קיימים, מעבר למסד נתונים כימי.

שיתוף נתונים ולמידה מפולגת

כדי להתגבר על המחסור בנתונים, מאמצי הקהילה בונים נתונים גדולים, מחוסנים.לימוד פדרנד מאפשר למוסדות מרובים להכשיר מודלים של ML בשיתוף פעולה ללא שיתוף הנתונים הקנייניים שלהם, שמירה על סודיות תוך ניצול ידע משולב.גישה זו רלוונטית במיוחד עבור קטליזה תעשייתית, שבו חברות עלולות להיות חסרות מוטיבציה לפרסם את הנתונים שלהם.

קיימות וקטאליזה ירוקה

ML הוא גם מיושם על עיצוב זרזים עבור תהליכים בר קיימא, כגון CO2 photoreduction, הפלסטיקיישן, וייצור כימי מתחדש. על ידי בדיקות במהירות שפע ולא רעיל חומרים, ML יכול לעזור להחליף מתכות נדירות או רעילות (למשל, פלטינה, הפלטינה, פלנדליום) עם חלופות עם כדור הארץ-abundant חלופות, היישר עם עקרונות של כימיה ירוקה.

מסקנה

למידת מכונות היא עיצוב מחדש של עיצוב זרז על ידי מתן מחקר מונע נתונים של חללים כימיים עצומים, צמצום עומסי עבודה ניסיוניים, וחשיפת מערכות יחסים של מבנה חדש-פעילות. מרשתות עצביות גרפים למעבדות אוטונומיות, כלים אלה מאיצים את הגילוי של זרזים לאנרגיה, סביבה, ותעשייה ממשיכה, עם זאת, אתגרים באיכות נתונים, אלגוריתמים וכלליזציה, הדורשים שיתוף פעולה מתמשך בין מדעני חישובים ומדענים בעלי יכולת פיתוח גבוהה, כדי לממש את ההתפתחות של מודלים של מודלים של מודלים של מודלים של מודלים של מודלים מדעיים וטכנולוגיות למידה.