Table of Contents

Виявлення каталізатора з штучного інтелекту

Пошук кращих каталізаторів давно був пляшковим вирізом в хімічні дослідження та промислові інновації. Каталоісти прискорюють хімічні реакції без споживання, роблячи їх важливими для процесів, починаючи від виробництва добрив до фармацевтичного синтезу та перетворення чистої енергії. Традиційно, виявлення нового каталізатора може приймати роки експериментів з пробного та терору, з дослідниками перевіряють сотні або тисячі кандидатів матеріалів вручну. Сьогодні штучний інтелект (AI) закінчив цей парадигм. За допомогою алгоритмів машинного навчання, масштабної інтеграції даних та автоматизованого експериментування, AI дає можливість науковцям екранувати мільйони потенційних каталізаторів в силіко і визначити найбільш перспективних кандидатів на перевірку. Ця практика дослідження є реальним прогресом, як це технологія відновлення

Комплексність досліджень каталізу

Сучасні каталізатори пропускають гетерогенні системи (сольові поверхні), однорідні каталізатори (молекулярні комплекси), біокаталісти (ензими). Кожен домен представляє унікальні дизайнерські завдання: гетерогенні каталізатори вимагають контролю над геометрією поверхні, складом та щільність дефектів; однорідні каталізатори вимагають ретельного відтінку лігандових середовищ і металевих центрів; і біокаталісти спираються на білкову інженерію для діяльності та вибірковості. По комбінаторний простір можливих матеріалів є астрономічно великим, орієнтованим на більш ніж 10^60 для ternary-метогенних металів оксидів. Традиційне високопродуктивне скринінгове моделювання може перевірити тільки крихітну структуру даних, ніж у цій брухтувальників.

Основні технології штучного інтелекту в каталізаторі Discovery

Консультаційні моделі машинного навчання

Консультування є робочим органом прогнозування властивостей каталізатора. Алгоритми навчаються на даних, які мають парний каталізатор (наприклад, елементний склад, кристал структура, електронні властивості) з цільовими властивостями (наприклад, швидкість реакції, вибірковість, стабільність). Загальні моделі включають:

  • Random ліси і градієнтовний ансамбль, який ручить змішані типи даних і забезпечує важливі уявлення.
  • Підтримка векторних машин, ефективний для задач класифікації, таких як прогнозування, чи є матеріал активним або неактивним.
  • Deep нейромережі, особливо граф нейромережі (GNNs), які безпосередньо працюють на молекулярних графах або кристалічних структурах, захоплюючи атомні bonding візерунки та координаційні середовища.

Після навчання ці моделі можуть оцінити мільйони гіпотетичних каталізаторів за секундами, обрізаючи пошуковий простір для ручного перегляду високих ймовірностей. Наприклад, GNN, що навчається на даних Open каталізатора Проекту, може прогнозувати адсорбції енергій проміжних поверхонь - ключовий дескриптор каталітичної активності - зменшення потреби функціональної теорії щільності (DFT) за замовленнями величини.

Генеративний і зворотний дизайн

Крім прогнозування відомих матеріалів, AI також може генерувати абсолютно нові каталізаційні структури. Генеративні моделі, включаючи варіаційні автошифратори і генеативні рекламні мережі, дізнатися розподіл відомих каталізаторів і потім зразок від цього простору, щоб запропонувати нові композиції. Інверсний дизайн йде крок далі: враховуючи цільову властивість (наприклад, специфічну єднувальна енергія), модель шукає матеріал, який краще задовольняє, що обмеження. Цей підхід виготовляв несподівані, але високоактивні каталізатори, такі як високоетрогідні сплави з точно налаштованими розподілами поверхні.

Обробка природної мови (NLP) для отримання літературних джерел

Вастні обсяги знань каталізу поховані в наукових статтях, патентах та звітах. Методи НВП видобувають структуровані дані (наприклад, умови реакції, врожайність, склад каталізатора) з неструктурованого тексту. Інструменти, такі як ChemDataExtractor або користувацькі моделі BERT, можуть заселити бази в масштабі неможливі для кураторів людини. Ці дані подаються в прогнозні моделі і допомагають вченім уникнути перенапруження відомих каталізаторів.

Джерело даних Схема AI в каталізі

Якість, різноманітна інформація, що залежить від успіху AI. Кілька великих баз даних, які тепер дозволяють проводити підготовку надійних моделей:

  • Проект Open Catalyst (OCP) – датасет понад 1,3 млн DFT-розрахованих структур і енергій для гетерогенного каталізу, що підтримується дослідженням та університетом Карнегі Меллон. ]Відкрити каталізаційний проект]
  • Каталіз-Hub] – репозиторій громади для опублікованих даних DFT на каталітичних реакціях, включаючи адсорбційні джерела енергії та реагійні бар’єри. Каталіз-Hub]
  • База даних матеріалів NREL – включає в себе обчислювальні властивості для тисяч неорганічних сполук, що відповідають енергетичному каталізу. База даних матеріалів NREL
  • Реакси та SciFinder – комерційні бази даних органічних даних реакції, які зараз обумовлюються машинно-прочитаними дескрипторами.

Експериментальні платформи високого прориву, такі як Национальный лабораторій «Берклі»], генерує тисячі зразків каталізаторів на добу. Комбінація експериментальних даних з обчислювальними даними створює гібридні дані, які покращують узагальнення моделі.

Історії успіху в світі

Електрокататисти AI-Дизайновані для відновлення кисневої еволюції

Дослідження в Інституті досліджень Toyota Research використовували базу оптимізації Bayesian для виявлення нового каталізатора на основі нікель-ірону для реакції кисневої еволюції (OER) в розщепленні води. Починаючи з невеликого початкового набору композицій, алгоритм ітеративно запропонованих експериментів, досягаючи каталізатора, що перетворилися на основі сучасних іридійських матеріалів на 30% в діяльності. Вся кампанія зайняла три місяці замість типових двох років.

Машинне навчання для активації метану

У 2024 році опубліковано в Натура каталіз, співпраця між MIT та Університетом Торонто розробила графічну нейромережу, яка прогнозувала гальмівні бар’єри C-H на перехідних металевих поверхнях. Модель виділила біметалічний сплав (PdIn), який ніколи не був протестований для перетворення метану і підтвердив свою високу активність експериментально. Ця робота підкреслює, як AI може леапфрог інтуїційне скринінг. Реферація

фармацевтичний каталіз: асиметричне гідрогенування

Компанія «Фармак» отримала допомогу в проведенні діагностичних робіт, які мають на меті запропонувати хиральні ліганди для асиметричних реакцій водню, критичний крок у виробництві ферментованих лікарських проміжних препаратів. Модель глибокого навчання, що навчається на тисячах відомих ліганд-метал-реакційних сполук, рекомендованих лігандом, які покращили надлишок ентиомери від 85% до 96% з мінімальною оптимізацією.

Переваги розвитку каталізатора AI-Driven

  • Speed: AI може показувати кандидатські пробіли за години, які бажали місяці або роки роботи лабораторії. Автономні синтези та тестувальні платформи додатково компрес-цикли часу.
  • Cost-effness: Зменшення експериментів зрізається матеріали, обладнання та витрати на роботу. Багато стартапів тепер пропонують віртуальний каталізатор, що скринінг як сервіс, знижуючи бар’єр для менших компаній.
  • Інновація: AI часто пропонує матеріали, які фахівці людини не розглядають — незвичайні носохіміометрії, стиглі фази, або багатоелементні комбінації, які розмаховують звичайні правила.
  • Precision:] Моделі можуть прогнозувати не просто активність, але й вибірковість, стабільність при умов реакції та деактивація шляхів. Цей holistic view покращує показники успіху в перевірці.

Виклики та обмеження

Якість даних та кількість даних

Хоча баз даних ростуть, вони все ще страждають від ваза: більшість даних DFT є для чистої, періодичних поверхонь, в той час як реальні каталізатори часто підтримуються, просуються або отруюються. Експериментальні дані є непристойними, з варіаціями по лабораторіях і умов вимірювання. Будівля надійних прогнозних моделей вимагає ретельної гармонізації даних і невизначеності кількісної кількісної класифікації.

Інтерпретентабельність

Багато високопродуктивні моделі, особливо глибокі нейромережі, функції як чорні коробки. Хімісти повинні розуміти why]] каталізатор прогнозується, щоб бути активним для довіри до рекомендації та для вилучення принципів проектування. Дослідження в пояснювальній AI (наприклад, механізми уваги, особливості атрибутіону) є постійним, але не стандартним.

Передача

Модель, що навчається на каталізаторах OER, може не виконувати реакції водневих водних водних водних водних водних водних водних водних водних водних водних водних водних водних водних водних вод, оскільки базова фізика відрізняється. Передача навчання — це передна модель на нових типах реакції — допомагає, але вимагає ретельної регулярності, щоб уникнути катастрофічних забудь.

Інтеграція з автономними лабораторіями

Кінцеве бачення - це закрита петля: AI пропонує каталізатори, робототехнічну систему синтезує і тестує їх, а результати подаються в модель. Кілька груп демонстрували такі системи для фотокаталізу та електрокаталізу, але масштабуючи їх до більш складних реакцій (наприклад, каталітична тріщина) залишається апаратним і програмним завданням.

Майбутні напрямки

Моделі фундаменту для каталізу

Більші мовні моделі та мультимодальні AI починають застосовуватися до хімії. Модель фундаменту, що навчається на мільйонах кристалічних структур, молекулярних графіків, а також реагаційні тексти можуть служити загальним двигуном для проектування каталізаторів, схожим на те, як мова йде про моделі GPT. Ранні приклади включають CatGPT і MatBert.

Інтеграція квантової обчислення

Квантові комп’ютери можуть бути в кінцевому підсумку, що саме таке рівняння Шредінгера, що виводить апроксимацію, властиві ДФТ. Для цього вводяться квантово-класичні гібридні моделі для створення більш точної інформації про навчання для моделей AI, особливо для переходу металевих комплексів з сильною електронною кореляцією.

Співпраця та відкриті науки

Effort, як AI для консорціуму каталізатора (AICat) для стандартизування форматів даних, моделей частки та бенчмарку. Інструменти відкритого типу (наприклад, OCP моделі на GitHub]) прискорення відтворення та адаптації у дослідницьких групах.

Висновок

Штучний інтелект не є інструментом автоматизації старих робочих процесів, що є можливим у відкритті каталізатора. Вивчивши наявні дані, генеруючи нові кандидати, і інтегруючи автономне експериментування, AI компресує час від концепції до практичного каталізатора з років до місяців або навіть тижнів. Хоча проблеми, як якість даних, інтерпретація і переносність персистента, траєкторія ясно: AI стане незамінним партнером з виявлення каталізаторів, необхідних для сталого енергетичного майбутнього, зеленої хімічної продукції, а також передових фармацевтичних препаратів. Настій машинного навчання з експертизою є паливом нової ериції прискореної інноваційної інновації, яка обіцяє переробити промислову промислову хімію промислову хімію.