Table of Contents

Введение: Императив для быстрого скрининга катализаторов

Катализаторы являются рабочими лошадками современной химии, позволяя более 90% промышленных химических процессов - от синтеза аммиака и переработки нефти до фармацевтического производства и преобразования возобновляемых источников энергии. Поиск новых катализаторов с более высокой активностью, селективностью и стабильностью является критическим фактором инноваций в областях, начиная от зеленой химии до использования улавливания углерода. Однако пространство проектирования ошеломляюще велико: количество возможных комбинаций элементов, состояний окисления, опор и морфологий фактически бесконечно. Традиционный синтез и тестирование проб и ошибок может занять месяцы или годы для одного материала, что серьезно ограничивает прогресс. Появились методы быстрого скрининга катализаторов для решения этого узкого места, превращая открытие материалов из последовательного, ресурсоемкого усилия в параллельную, основанную на данных промышленную операцию. В этой статье рассматриваются основные экспериментальные и вычислительные методы скрининга, их интеграция и текущие разработки, которые обещают ускорить идентификацию высокоэффективных катализаторов для устойчивого будущего.

Высокопроизводительный скрининг (HTS) в Catalyst Discovery

Высокопроизводительный скрининг (HTS) применяет автоматизацию, миниатюризацию и параллельную обработку для резкого увеличения скорости, с которой могут синтезироваться и оцениваться библиотеки катализаторов. Современные платформы HTS могут тестировать десятки тысяч различных составов катализаторов в неделю, объем, недостижимый обычными ручными методами. Основной рабочий процесс включает три этапа: проектирование и синтез библиотеки, параллельное тестирование реакции и быстрый анализ продукта.

Автоматический синтез и библиотечное строительство

HTS начинается с систематического генерирования библиотек катализаторов. Роботы для обработки жидкостей раздают растворы-предшественники на микротитровые пластины (например, 96-, 384- или 1536-луночные форматы), что позволяет комбинаторные вариации элементного состава, загрузки и допинга. Для гетерогенных катализаторов методы осаждения, такие как струйная печать, напыление покрытия или электродепозиция, создают массивы катализаторов тонкопленочных или наночастиц на одной подложке. Автоматизированные золгелевые и гидротермальные станции синтеза могут производить тысячи различных поддерживаемых образцов катализаторов в день. Этот уровень параллельного синтеза невозможен без роботизированной инфраструктуры, но инвестиции окупаются за счет увеличения пропускной способности по порядкам величины.

Параллельные реакторные системы и быстрые испытания

После подготовки библиотек они должны быть протестированы в контролируемых условиях реакции. Высокопроизводительные реакторы бывают нескольких конфигураций:

  • Реакторы с хорошо набранными пластинами: При индивидуальном нагреве, потоке газа и перемешивании эти блоки (например, HEL CatSCREEN) могут одновременно вызывать до 48 независимых реакций с онлайн-отбором проб с помощью газовой хроматографии или масс-спектрометрии.
  • Параллельные реакторы с неподвижным станком: Используемые в основном для газофазных реакций, эти массивы до 16 или более микрореакторов работают при повышенных температурах и давлениях, с автоматическим переходом на один аналитический инструмент.
  • Оптические реакторы для визуализации: Для реакций, которые вызывают изменение цвета или флуоресценции (например, гидрирование красителя или ферментной активности), камеры и устройства считывания пластин могут контролировать сотни реакций в режиме реального времени без физической выборки.

Ключевые аналитические методы в сочетании с HTS включают быструю газовую хроматографию (]rapid-GC), масс-спектрометрию (]rapid-MS), инфракрасную термографию (для экзотермических реакций) и массивы электрохимических датчиков.Сочетание параллельных реакторов с автоматизированным отбором проб и быстрой аналитикой позволяет получать высокие пропускные числа, о которых сообщается в литературе.

Анализ и управление данными в HTS

Массивные наборы данных, генерируемые кампаниями HTS, представляют собой как возможность, так и проблему. Большие композиционные библиотеки производят тысячи точек данных за прогон, требуя надежного статистического анализа, визуализации и часто машинного обучения для выявления перспективных потенциальных клиентов. Такие инструменты, как анализ основных компонентов (PCA), иерархическая кластеризация и деревья решений, помогают деконволюции влияния нескольких переменных. Многие исследовательские группы теперь используют лабораторные системы управления информацией (LIMS), специально предназначенные для комбинаторных экспериментов. Обзор 2019 года в Обзор материалов природы описывает, как добыча данных из кампаний HTS ускорила открытие новых электрокатализаторов для реакции эволюции кислорода.

Преимущества и ограничения HTS

  • Скорость: Тысячи экспериментов в день, сокращая сроки обнаружения от лет до месяцев.
  • Автоматизация: Минимизирует ручные ошибки, повышает воспроизводимость и снижает затраты на рабочую силу в долгосрочной перспективе.
  • Богатый данными выход: Обеспечивает обширные отношения структуры и активности, которые направляют дальнейший дизайн.
  • Проблемы масштабирования: Условия в микролитровых реакторах часто значительно отличаются от крупномасштабных промышленных реакторов; смешивание, теплообмен и массовый транспорт могут повлиять на результаты.
  • Первоначальные инвестиции: Робототехника, специализированные реакторы и аналитические инструменты могут стоить сотни тысяч долларов.
  • Сложность данных: Без сложного анализа поток данных может затуманить значимые шаблоны.

Компьютерный скрининг: от первых принципов до машинного обучения

Параллельно экспериментальной HTS, вычислительный скрининг стал мощным дополнением - и во многих случаях, предпосылкой - для эффективного открытия катализатора. Оценивая миллионы гипотетических материалов в силико , вычислительные методы сужают пространство экспериментального поиска только до самых перспективных кандидатов. Ведущие вычислительные методы включают теорию функционала плотности (DFT), молекулярную динамику (MD) и, все чаще, суррогатное моделирование машинного обучения (ML).

Функциональная теория плотности (DFT) и высокопроизводительные вычисления

DFT позволяет вычислять электронную структуру, энергии адсорбции, переходные состояния и пути реакции для поверхностей катализаторов. Проект Материалов , Проект Открытого Катализатора и NOMAD Базы данных содержат вычисленные DFT свойства для десятков тысяч объемных материалов и поверхностей. Исследователи могут экранировать эти базы данных для дескрипторов, таких как центр d-диапазона, энергия без адсорбции или энергия формирования для прогнозирования каталитической активности. Например, знаковое исследование использовало DFT для скрининга более 2000 биметаллических сплавов для электроредукции CO2, идентифицируя несколько ранее не сообщаемых перспективных кандидатов, которые были позже проверены экспериментально. Однако DFT является вычислительно дорогостоящим — каждый расчет может занять от нескольких часов до нескольких дней на высокопроизводительных вычислительных кластер

Машинное обучение (ML) для быстрого прогнозирования

Модели машинного обучения, обученные на DFT или экспериментальных данных, могут предсказать производительность катализатора в миллисекундах, что позволяет исследовать значительно большие пространства композиции и структуры. Общие подходы включают нейронные сети, деревья с градиентным повышением и гауссовские процессы, применяемые к таким особенностям, как элементные свойства, геометрия и композиция. 2016 Наука Наука Наука Наука Наука Наука Наука продемонстрировала, что модели ML, обученные только на нескольких сотнях вычислений DFT, могут точно предсказать производительность на тысячах гипотетических катализаторов. Задача состоит в обеспечении хорошего обобщения: модели ML являются только такими же надежными, как данные обучения, и экстраполяция за пределы известного химического пространства может быть очень неопределенной.

Молекулярная динамика (MD) и кинетическое моделирование

В то время как DFT обеспечивает термодинамическую и электронную информацию, моделирование MD добавляет временную динамику, захватывая диффузию, реструктуризацию поверхности и эффекты растворителя в условиях реакции. Методы Кинетического Монте-Карло (KMC) могут имитировать каталитические циклы в течение длительных временных масштабов, обеспечивая понимание частот оборота и механизмов деактивации. Хотя эти методы являются вычислительно интенсивными, они имеют решающее значение для понимания катализаторов в реалистичных условиях работы, особенно для био- и однородного катализа, где конформационная гибкость играет важную роль.

Преимущества и ограничения компьютерного скрининга

  • Экономически эффективный: Избегает отходов материалов и времени синтеза; многие вычисления могут быть сделаны на общих вычислительных ресурсах.
  • Скорость: С помощью обученных моделей МО миллионы кандидатов могут быть оценены за часы.
  • Инсайт: Предоставляет атомное понимание того, почему катализатор работает, облегчая рациональный дизайн.
  • Точность: Ошибки DFT могут быть значительными для переходных металлов, дефектов поверхности и сольватированных интерфейсов; прогнозы требуют экспериментальной проверки.
  • Сложность: Моделирование реалистичных условий (например, растворитель, высокая температура, реконструкция поверхности) остается сложной задачей.
  • Узкое место в проверке: Количество многообещающих предсказаний часто намного превышает экспериментальную способность их проверить.

Интегрированные экспериментально-вычислительные рабочие процессы

Наиболее эффективные методы скрининга сочетают в себе как экспериментальный, так и вычислительный подходы в итеративных циклах. Типичный интегрированный рабочий процесс работает следующим образом:

  1. Вычислительный предварительный скрининг: DFT и ML идентифицируют меньшее подмножество катализаторов-кандидатов (например, топ 1000 из первоначального пула 100 000).
  2. Высокопроизводительный синтез и тестирование: Роботизированные платформы синтезируют лучших кандидатов в микрореакторных массивах и измеряют их активность, избирательность и стабильность.
  3. Обратная связь с данными: Экспериментальные результаты подаются обратно в вычислительные модели, переобучение алгоритмов ML и уточнение дескрипторов DFT для повышения точности прогнозирования.
  4. Итерация: Усовершенствованная модель экранирует новое поколение кандидатов, которые снова синтезируются и тестируются до конвергенции на оптимальных материалах.

Этот подход с замкнутым контуром был успешно применен для обнаружения улучшенных катализаторов для эволюции водорода, снижения кислорода и реформирования углеводородов. Например, исследователи из Научно-исследовательского института Toyota и Научно-исследовательского института здоровья Лоусона использовали автономную лабораторию, интегрирующую роботизированный синтез, высокопроизводительное тестирование и ML для выявления высокоактивного неблагородного металлического катализатора для реакции эволюции кислорода менее чем за одну неделю - процесс, который занял бы месяцы с использованием традиционных методов.

Новые методы скрининга: оптические, электрохимические и микрофлюидные

Помимо доминирующих методов HTS и вычислительных методов, несколько специализированных методов скрининга набирают тягу для конкретных типов катализаторов или классов реакций:

Оптический скрининг с использованием флуоресценции и инфракрасной термографии

Для катализаторов, которые производят флуоресцентный продукт (например, в ферментном катализе или некоторых процессах полимеризации), флуоресцентные микропластинки могут параллельно контролировать тысячи реакций. Инфракрасная (ИК) термография - это бесконтактный метод, который измеряет тепло, выделяемое экзотермическими каталитическими реакциями. ИК-камера может одновременно захватывать тепловые изображения всей каталитической матрицы, обеспечивая быстрый, безреагентный экран для активности. Этот метод был использован для быстрой идентификации активных палладиевых катализаторов для сжигания метана и цеолитов для преобразования метанола в олефин.

Электрохимические скрининговые лучи

Для электрокатализаторов (топливные элементы, электролизеры, CO]2 редукция), сканирующей электрохимической клеточной микроскопии (SECCM) и многоэлектродных матриц позволяют параллельно тестировать многие пятна катализатора на одной подложке. Эти методы измеряют плотность тока и потенциалы начала с высоким пространственным разрешением, что позволяет быстро проводить скрининг градиентов композиции (комбинаторные библиотеки) без необходимости в отдельных реакторах. Метод массивный потенциал открытой цепи (MOCP) использует массив микроэлектродов для скрининга до 100 каталитических композиций в одном электрохимическом эксперименте.

Микрофлюидные реакторы для кинетического скрининга

Микрофлюидные устройства обеспечивают точный контроль времени пребывания, температуры и смешивания, что делает их идеальными для скрининга однородных катализаторов и биокатализаторов. Микрофлюидики на основе капель инкапсулируют отдельные каталитические смеси в капельках размером от пиколитра до нанолитра, каждая из которых служит микрореактором. Тысячи капель в секунду могут генерироваться и анализироваться флуоресценцией или масс-спектрометрией, обеспечивая чрезвычайно высокую пропускную способность с минимальным потреблением реагентов. Этот метод оказался ценным для направленной эволюции ферментов и для скрининга металлоорганических комплексов для перекрестных реакций.

Проблемы и подводные камни в скрининге катализаторов

Несмотря на значительный прогресс, остается ряд проблем, которые могут снизить эффективность скрининговых кампаний:

  • Расширенная корреляция: Активность, измеренная в микромасштабе, часто не передается промышленным реакторам из-за ограничений транспортировки, рассеивания тепла и отравления катализаторами.Валидация в лабораторных серийных или реакторах непрерывного потока имеет важное значение перед масштабированием.
  • Воспроизводимость данных: В высокоавтоматизированных системах могут быть введены небольшие вариации параметров синтеза (например, возраст предшественника, скорость рампы температуры). Для избежания ложных срабатываний необходим строгий контроль качества и перекрестная валидация обычными методами.
  • Аналитическая пропускная способность против глубины: Методы быстрой выборки, такие как экспресс-GC или ИК-термография, часто обеспечивают только одну метрику (например, конверсию), а не подробное распределение продукта. Более информативная аналитика (NMR, HPLC) медленнее, создавая компромисс между пропускной способностью и химической информацией.
  • Модульное переобучение: Модели машинного обучения, обученные на ограниченных или предвзятых наборах данных, могут привести к плохим прогнозам для экстраполированных регионов. Активные стратегии обучения и количественная оценка неопределенности все чаще используются для смягчения этого риска.

Будущие направления: автономные лаборатории и ИИ-управляемое открытие

Следующим рубежом в скрининге катализаторов является полная автономная работа, часто называемая «лабораториями самообслуживания». Эти платформы сочетают роботизированный синтез, автоматизированное тестирование, принятие решений в области машинного обучения и петли обратной связи, которые работают без вмешательства человека. Такие компании, как Zymergen (теперь часть Ginkgo Bioworks и академические инициативы, такие как Консорциум по ускорению в Университете Торонто, являются новаторскими системами, которые могут повторяться через сотни циклов проектирования-проведения-тестирования. В будущем интеграция больших языковых моделей (LLM) для добычи литературы и генеративного ИИ для проектирования каталитической структуры может дополнительно сжать сроки обнаружения. Кроме того, растущая область каталитической информатики, которая объединяет высокопроизводительные данные с передовыми базами данных материалов, обещает создать надежные прогностические модели, которые уменьшают зависимость от дорогостоящего экспериментального скрининг

Заключение

Методы быстрого скрининга катализаторов коренным образом изменили темпы открытия материалов. Высокопроизводительные экспериментальные системы, с их способностью параллельно тестировать тысячи составов, предоставляют эмпирические данные, необходимые для выявления перспективных потенциальных клиентов. Вычислительные методы, особенно DFT и машинное обучение, предлагают экономически эффективное и механистическое понимание, которое резко сокращает пространство для экспериментального изучения. Интегрированные рабочие процессы, которые сочетают оба подхода в итеративных циклах, продемонстрировали наибольший успех, обеспечивая высокоэффективные катализаторы для энергетических, экологических и промышленных применений в рекордные сроки. Поскольку автономные лаборатории и дизайн, управляемый ИИ, становятся стандартными инструментами, в следующем десятилетии, вероятно, будет наблюдаться рутинное открытие специализированных катализаторов даже для самых сложных реакций. Исследователи и отрасли, которые инвестируют в эти платформы скрининга, получат решающее конкурентное преимущество в гонке к более эффективной и устойчивой химической экономике.