人工知能による触媒の発見を加速

より良い触媒の検索は、化学研究と産業革新のボトルネックであり、長い間存在してきました。触媒は、肥料の生産から製薬合成、クリーンエネルギーの変換に至るまでのプロセスに不可欠である、消費されずに化学反応を加速します。伝統的に、新しい触媒を発見することで、何百ものまたは数千の候補材料を手動でテストするという長年の試行錯誤実験を服用できます。今日、人工知能(AI)は、パラcatadigmの記事を上回っています。機械学習を活用することで、AIの成功と実験を成功に活用し、AIの成功を収め、AIの成功を検証することができます。

触媒の研究開発の高度化の複雑性

現代の触媒は、異種系(固体表面)、均質触媒(分子複合体)、およびバイオ触媒(酵素)に及ぶ。各領域は、ユニークな設計課題を提示します。異種触媒は、表面幾何学、組成、欠陥密度の制御を必要とする;均質触媒は、リグード環境および金属センターの慎重な調整を要求する;バイオ触媒は、活性および選択のためのタンパク質工学に依存しています。従来の試験は、従来の試験片からのみを結合する可能性があることを予測します。

触媒ディスカバリーにおけるコアAI技術

監督された機械学習モデル

監督された学習は触媒特性予測の働き方です。アルゴリズムは、触媒機能(例えば、要素組成、結晶構造、電子的特性)とターゲット特性(例えば、反応率、選択率、安定性)を組み合わせたデータセットで訓練されます。一般的なモデルは次のとおりです。

  • ランダムフォレスト[]] と 混合データ型を処理する勾配のブーストと、特徴的な重要洞察を提供します。
  • ]サポートベクターマシン]]、材料が有効であるか、非アクティブであるかを予測するような分類の問題に有効。
  • [] ディープニューラルネットワーク]、特に分子グラフや結晶構造で直接動作するグラフニューラルネットワーク(GNN)、原子結合パターンとコオリンジ環境をキャプチャします。

訓練されたら、これらのモデルは、数秒で数百万の仮説触媒を評価することができ、検索スペースを手渡して高確率ヒットを達成することができます。例えば、オープン触媒プロジェクトのデータセットで訓練されたGNNは、表面上の中間体の吸着エネルギーを予測することができます。触媒作用の重要な記述子は、倍率の順序で密度機能理論(DFT)計算の必要性を削減します。

遺伝子とインバースデザイン

既知のマテリアルを予測するだけでなく、AIは全く新しい触媒構造を生成することができます。 変化型オートエンコーダーや遺伝子のネットワークを含む生成モデル、既知の触媒の分布を学び、そのスペースからサンプルを生成して、新しい組成物を提案します。 逆のデザインは、ターゲットプロパティ(例えば、特定の結合エネルギー)を与え、モデルは、制約を最もよくする材料の検索を行います。 このアプローチは、予想外の高機能な分布を生成しましたが、このような高い結果は、このような高い結果をもたらすように、非常に高い分布を生成します。

自然言語処理(NLP) 文学鉱山

触媒の知識の無駄な量は、科学論文、特許、およびレポートで埋められます。 NLP のテクニックは、構造化されたデータを抽出します(例えば、反応条件、収量、触媒組成)非構造化されたテキストから。 ChemDataExtractor やカスタム BERT ベースのモデルなどのツールは、ヒトのキュレーターにとって不可能な規模でデータベースを人口を増やすことができます。このマイナスのデータは予測モデルに供給し、科学者は既知の触媒を発明することを避けます。

分析におけるAIの活用データソース

AIの成功は、高品質で多様なデータに依存しています。 複数の大規模データベースでは、堅牢なモデルのトレーニングができるようになりました。

  • []オープン触媒プロジェクト(OCP)[ – 過多のデータセット 1.3 百万 DFT の解像構造とヘテロ遺伝子結集のためのエネルギー, Facebook AI Research and Carnegie Mellon University によって維持. [オープン触媒プロジェクト
  • [Catalysis-Hub] – 吸着エネルギーおよび反応障壁を含む触媒反応に関する公開されたDFTデータのためのコミュニティリポジトリ。 []Catalysis-Hub
  • []NREL材料データベース] - エネルギー触媒関連無機化合物の何千もの複合特性を含みます。 []NREL材料データベース[]]
  • []ReaxysとSciFinder[ - 有機反応データの商用データベース、機械で読みやすい記述子で拡張されました。

実験的高ループット合成プラットフォーム(])では、ローレンス・バークレー国立研究所では、一日に何千もの触媒試料を生成します。計算データと実験データを組み合わせることで、モデルの総合化を改善したハイブリッドデータセットが生成されます。

世界で成功を収めたストーリー

酸素発生反応のためのAI設計の電解触媒

トヨタリサーチインスティテュートの研究者は、水割りにおける酸素進化反応(OER)の新たなニッケル・鉄系触媒を新たな発見するためにベイジアン・最適化フレームワークを使用しました。 組成物の小さな初期セットから始まり、アルゴリズムは反復的に提案された実験を、活性の30%の触媒状態を実証した触媒を達成しました。 キャンペーン全体が2年ではなく3ヶ月を取ったのです。

メカニカル・メタン・アクティベーションのための機械学習

MITとトロント大学のコラボレーションであるNature Catalysisに公開された2024年の研究では、トランジションメタル表面にC-Hボンドの活性化障壁を予測したグラフニューラルネットワークを開発しました。このモデルは、メタン変換のためにテストされなかったバイメタル合金(PdIn)を識別し、実験的に高い活性を確認しました。この作業は、AIがAIが眼下に反射するかどうかを調べました[F] [F] [F] [F] [F] [F] [F] [FLT: [F]]] [F] [F]] [F]] [F]] [F]]

薬剤の触媒作用: 同化水素化

メルクのようなファーマ企業は、非対称水素反応のための親和性リガンドを提案するためにAIを採用しています, 過多に薬物の中間体を生成する重要なステップ. 数千の既知のリガンド金属反応の組み合わせで訓練された深い学習モデルは、最小限の最適化で85%から96%まで、非異性過剰を改善するリガンドをお勧め.

AI駆動触媒開発の利点

  • スピード:] AIは、月や年を経る時間に候補スペースをスクリーン化することができます。 自動合成とテストプラットフォームは、サイクル時間をさらに圧縮します。
  • Cost-Effectness:]] 実験削減 材料、機器、労働コストの削減。 多くのスタートアップが、バーチャル触媒スクリーニングをサービスとして提供し、中小企業の障壁を下げます。
  • :革新:[]]AIは、従来のルールを欠損する、非日常的なstoichiometries、メタテーブルフェーズ、またはマルチエレメントの組み合わせを考慮することができない、という物質を頻繁に提案します。
  • 予測:]] モデルは、単に活動だけでなく、選択性、反応条件下での安定性、および非活性化経路を予測することができます。 この全体的なビューは、検証の成功率を向上させます。

課題と限界

データ品質と数量

データベースは成長している間、それらはまだバイアスに苦しんでいます:ほとんどのDFTデータは、きれいな定期的な表面のためにあります。実際の触媒はしばしばサポートされ、促進されるか、または中毒です。実験データは、ラボや測定条件のさまざまなバリエーションで騒々しいです。信頼性の高い予測モデルの構築には、慎重なデータ調和と不確実性定量が必要です。

通訳者

高性能なモデル、特に深層ニューラルネットワーク、ブラックボックスとして機能。 化学者は、推奨事項を信頼し、設計原則を抽出するためにアクティブであることを予測する触媒[[]を理解しなければならない。 説明可能なAIの研究(例えば、注意メカニズム、特徴アトリビューション)は進行中だが、標準的ではありません。

転送可能性

OER触媒で訓練されたモデルは、基礎的な物理が異なるため、水素化反応に失敗する可能性があります。 転送学習 - 新しい反応タイプに事前訓練されたモデルを微調整する - 助けますが、大惨事を忘れないように注意定期的な設定が必要です。

自律ラボとの統合

究極のビジョンはクローズドループです。AIは触媒、ロボットシステム合成とテストを組み合わせ、その結果はモデルに戻ってきます。いくつかのグループは、光触媒や電気触媒などのシステムが実証されていますが、より複雑な反応にそれらをスケーリングしています(例えば、触媒割れ)ハードウェアとソフトウェアの課題は残っています。

今後の方向性

触媒のファンデーションモデル

大型言語モデルと多変性AIは化学に応用され始めています。何百万もの結晶構造、分子グラフ、反応テキストを訓練した基礎モデルは、GPTモデルが言語を処理する方法と同様に、触媒設計のための汎用エンジンとして機能することができます。初期例には、]CatGPTとMatBertが含まれます。

Quantumコンピューティングを統合

Quantumコンピュータは、最終的にSchrödingerの式を正確に解決し、DFTに固有の近似を除去することができます。 今では、量子クラス型ハイブリッドモデルは、特に強力な電子相関を持つ金属複合体を移行するためのAIモデルのためのより正確なトレーニングデータを生成するために探求されています。

協業プラットフォームとオープンサイエンス

分析コンソーシアム(AICat)のAIのような取り組みは、データフォーマットの標準化、モデルの共有、およびベンチマークのパフォーマンスのベンチマークを目指しています。オープンソースツール(例:)、GitHub[)のOCPモデルが、研究グループ全体で再現と適応を加速します。

コンテンツ

人工知能は単なる古いワークフローを自動化するためのツールではありません。触媒の発見で何ができるかを再定義しています。既存のデータから学習し、新規候補を生成し、自律的な実験を統合することで、AIは概念から実用的な触媒まで数か月から数か月まで、あるいは数週間まで時間をかけて圧縮します。データ品質、解釈性、およびトランスファー性が持続するような課題は明らかです。AIは、将来のエネルギーの普及と予測の促進に欠かせない、産業廃棄物の革新の促進に欠かせないものになります。