Gia tăng sự khám phá với trí thông minh nhân tạo

Việc tìm kiếm chất xúc tác tốt hơn đã từ lâu đã trở thành một cái nút cổ chai trong nghiên cứu hóa học và công nghiệp đổi mới. Những nhà phân tích thúc đẩy các phản ứng hóa học mà không cần phải dùng đến, làm cho chúng cần thiết để từ việc sản xuất phân bón cho đến tổng hợp dược phẩm và chuyển đổi năng lượng sạch. truyền thống, khám phá ra một chất xúc tác mới có thể mất nhiều năm thử nghiệm và khủng bố với các nhà nghiên cứu thử nghiệm hàng trăm hay hàng ngàn vật liệu ứng cử viên. Ngày nay, trí thông minh nhân tạo đang tăng lên mô hình. bằng cách sử dụng các thuật toán học, tích hợp năng lượng lớn, và tự động hóa AI cho phép các màn hình của hàng triệu chất xúc tác trong chất xúc tác và xác định nhiều ứng viên hứa hẹn hò nhất của bài báo này là làm thế nào để khám phá các công nghệ cụ cụ, và các kỹ thuật cụ cụ xác định lại, và các công nghệ đang tiến bộ, và vẫn còn lại.

Sự phức tạp về việc phân tích chất lượng cao

Các phân tích sinh học hiện đại vận hành các hệ thống đa dạng (hình thái phân tử), chất xúc tác đồng tính (các phân tử), và các phân tử sinh học (hay phân tích). Mỗi miền tạo ra những thách thức thiết kế độc đáo: chất xúc tác đa dạng cần thiết điều khiển bề mặt, cấu trúc hình học, cấu trúc hình học và mật độ phân loại; chất xúc tác đồng tính cần thiết xử cẩn thận về môi trường và trung tâm kim loại; và các chất đốt sinh học phụ thuộc vào kỹ thuật protein và chọn sự linh hoạt. Không gian của các vật liệu có thể là chất thiên văn học lớn hơn 10^ 60 cho các chất lỏng kim loại. Truyền thống có thể kiểm tra một phần nhỏ của các mối quan hệ với nhau có khả năng dự đoán và dự đoán các kết cấu trúc thiết kế nhanh hơn các dữ liệu có thể.

Cơ sở dữ liệu kỹ thuật của Catalyst

Mô hình học tập máy giám sát

Học tập siêu là con ngựa làm việc của dự đoán chất xúc tác. Thuật toán được đào tạo dựa trên các bộ dữ liệu để tạo ra chất xúc tác đôi (v. d., cấu trúc nguyên tố, cấu trúc tinh thể, tính chất điện tử) với tính chất mục tiêu (v. d., tốc độ phản ứng, sự chọn lựa, tính ổn định). Mô hình chung bao gồm:

  • Rừng Random và tăng cường các bản sao, mà xử lý các loại dữ liệu trộn lẫn và cung cấp tính năng quan trọng hiểu biết.
  • [FLT: 0] Máy véc- tơ mở rộng [FLT: 1], hiệu quả cho các vấn đề phân loại như dự đoán vật liệu hoạt động hay không hoạt động.
  • Mạng thần kinhDeep , đặc biệt mạng thần kinh đồ thị (GNNs) hoạt động trực tiếp trên đồ thị phân tử hoặc cấu trúc tinh thể, nắm bắt các mẫu kết nối nguyên tử và môi trường phối hợp.

Một khi được đào tạo, những mô hình này có thể đánh giá hàng triệu chất xúc tác giả định trong giây, cắt giảm không gian tìm kiếm thành một số ít các kết quả có khả năng xác định cao. Ví dụ, một GN được đào tạo trên bộ dữ liệu dự án Open Catalyst có thể dự đoán năng lượng quảng cáo của các trung gian trên bề mặt - một phần của hoạt động phân tích - đang tạo ra nhu cầu chức năng (DFT) tính toán theo độ lớn.

Thiết kế kiểu dáng và phương pháp

Bên cạnh việc dự đoán các vật liệu đã biết, AI cũng có thể tạo ra các cấu trúc xúc tác hoàn toàn mới. Mô hình cơ chế sinh học, bao gồm mã hóa tự động và mạng lưới kết nối, học cách phân phối chất xúc tác đã biết và rồi lấy mẫu từ không gian đó để đề xuất cấu trúc mới. Thiết kế không gian đi xa hơn: được cung cấp tính chất (v. d., một loại năng lượng đặc trưng), mô hình tìm kiếm vật liệu có khả năng giải quyết tốt nhất. Cách tiếp cận này đã tạo ra chất xúc tác động rất bất ngờ nhưng hoạt động như tất cả các chất xúc tác cao, như là các tính năng điều chỉnh bề mặt một cách chính xác.

Tiến trình ngôn ngữ tự nhiên (NLP) cho việc khai thác văn học

Số lượng kiến thức phân tích được chôn vùi trong các bài báo khoa học, bằng sáng chế, và các báo cáo. Kỹ thuật NLP có cấu trúc dữ liệu (v. d., điều kiện phản ứng, kết hợp xúc tác) từ văn bản không được cấu trúc. Công cụ như ChemDatratrattrator hoặc tùy chỉnh erT-Art có thể phát triển cơ sở dữ liệu ở quy mô không thể cho người quản lý. Dữ liệu được khai thác này sẽ được cung cấp để dự đoán và giúp các nhà khoa học tránh tái tạo chất xúc tác đã biết.

Nguồn dữ liệu điều khiển AI trong phân tích

Thành công của AI phụ thuộc vào những dữ liệu có chất lượng cao, đa dạng.

  • Dự án Open Catalyst (CĐP) ) – một bộ dữ liệu gồm hơn 1.100 triệu cấu trúc và năng lượng được giải phóng bởi nhóm catalysis, được bảo trì bởi Viện Nghiên cứu Facebook và Đại học Carnegie. [FL:2] Mở Dự án Catalyst
  • Catalysis-Hb – một kho lưu trữ cộng đồng [FLT:] [FLT:] [FLT:] — một kho dữ liệu công cộng [FLT:]
  • Cơ sở dữ liệu NREL – bao gồm các tính chất cho hàng ngàn hợp chất vô cơ thích hợp với phân tích năng lượng. Cơ sở dữ liệu dữ liệu [FLT:] Cơ sở dữ liệu [FL:]]
  • Reaxys và Sci finder ) – cơ sở dữ liệu thương mại của dữ liệu phản ứng hữu cơ, bây giờ tăng cường với các phân dạng có thể đọc được bằng máy.

Các nền tảng tổng hợp cao thí nghiệm, chẳng hạn như các nền tảng tổng hợp cao Phòng thí nghiệm quốc gia Lawrence Berkeley , tạo ra hàng ngàn mẫu chất xúc tác mỗi ngày. Kết hợp dữ liệu thử nghiệm với dữ liệu máy tính tạo ra các bộ dữ liệu lai để cải thiện mô hình tổng quát.

Những câu chuyện thành công thực sự trên thế giới

Phân tích điện từ giảm hiệu AI- de sagnact cho việc phục hồi oxy tiến hóa

Các nhà nghiên cứu tại Viện Nghiên cứu khảo cứu của viện khảo cứu khảo cứu của viện viện khảo cứu khảo sát của viện Bayesian đã sử dụng một khuôn khổ tối ưu hóa để khám phá ra một chất xúc tác dựa trên pin mới cho sự tiến hóa oxy (OER) trong nước tách ra. bắt đầu từ một tập hợp nhỏ của các thành phần, thuật toán lặp lại đề xuất một thí nghiệm, đạt được một chất xúc tác mà được phát triển vượt trội hơn so với các chất liệu nguyên liệu của chất vô hiệu hóa bởi 30% hoạt động. toàn bộ chiến dịch mất ba tháng thay vì hai năm điển hình.

Máy học cách tạo ra ma túy

Trong một nghiên cứu năm 2024, được xuất bản Nylysis ), sự hợp tác giữa MIT và Đại học Toronto phát triển một mạng lưới thần kinh đồ thị dự đoán rào cản hình ảnh C-H trên bề mặt kim loại chuyển đổi. Mô hình này xác định một hợp kim nhị phân [PLT: 1] chưa bao giờ được thử nghiệm để chuyển đổi mêtan và xác nhận hoạt động cao của nó. Tác phẩm này nhấn mạnh cách AIfro có thể nhảy vọt dựa trên trực giác. [FL:] [FL]

Phân tích dược phẩm: Sự chuyển hóa đối xứng

Các công ty Pharma như Merck đã sử dụng AI để gợi ý các phản ứng không đối xứng với khí hydro, một bước quan trọng trong việc sản xuất ra những trung gian thuốc có tính chất sinh học. một mô hình nghiên cứu sâu được đào tạo trên hàng ngàn tổ hợp đối xứng đã được biết đến khuyến khích một sự tăng trưởng không gian từ 85 đến 96% với tối đa hóa.

Lợi thế của phát triển chất liệu AI-Driven

  • Đã viết: Al có thể hiển thị các khoảng trống trong giờ mà sẽ mất hàng tháng hoặc hàng năm làm việc phòng thí nghiệm. Một nền tảng tự động tổng hợp và thử nén thêm các chu kỳ.
  • Hiệu quả phụ: tạo ra các thí nghiệm cắt giảm vật liệu, thiết bị và chi phí lao động.
  • Sự cải tổ: Al thường gợi ý vật liệu rằng các chuyên gia của loài người sẽ không xem xét -- những bước sóng siêu tân tiến, giai đoạn biến đổi, hay những tổ hợp đa thức không tuân theo luật lệ thông thường.
  • Mô hình:) Có thể dự đoán không chỉ hoạt động mà còn chọn tính năng, ổn định trong điều kiện phản ứng, và đường dẫn giảm hoạt động. Quan điểm này tăng tỷ lệ thành công trong việc xác thực.

Những thử thách và giới hạn

Chất lượng dữ liệu và số lượng

Trong khi cơ sở dữ liệu đang tăng lên, họ vẫn bị ảnh hưởng bởi thành kiến: phần lớn dữ liệu DFT là để làm bề mặt sạch, định kỳ, trong khi chất xúc tác thật thường được hỗ trợ, được quảng cáo hoặc đầu độc.

Khả năng giải thích

Nhiều mô hình hiệu quả cao, đặc biệt mạng thần kinh sâu sắc, hoạt động như hộp đen. Các nhà hóa học cần hiểu tại sao chất xúc tác được dự đoán là hoạt động để tin tưởng vào lời khuyên và để trích xuất các nguyên tắc thiết kế. Nghiên cứu vào các nguyên tắc AI (v. d., cơ chế tập trung, tính năng, tính năng cấu hình) vẫn còn tiếp tục nhưng chưa chuẩn.

Khả năng chuyển đổi

Một mô hình được đào tạo về chất xúc tác OER có thể thất bại trong phản ứng hy-danh vì vật lý cơ bản khác nhau. chuyển đổi việc học - tốt nhất về mô hình đã được đào tạo trước về các kiểu phản ứng mới - nhưng cần phải cẩn thận để tránh bị lãng quên thảm họa.

Hợp nhất với phòng thí nghiệm tự động

Tầm nhìn cuối cùng là một vòng lặp kín: AI đề nghị chất xúc tác, một hệ thống tổng hợp và thử nghiệm robot, và kết quả được đưa lại vào mô hình. Một số nhóm đã chứng minh hệ thống phân tích ảnh và điện phân, nhưng phóng to chúng thành những phản ứng phức tạp hơn (v. g., phân tích) vẫn là một phần cứng và phần mềm thử thách.

Hướng tương lai

Mô hình nọc cho phân tích

Mô hình ngôn ngữ lớn và đa mô hình AI đang bắt đầu được áp dụng cho hóa học. Một mô hình nền tảng được đào tạo trên hàng triệu cấu trúc tinh thể, đồ thị phân tử và văn bản phản ứng có thể được dùng như một công cụ tổng quát cho thiết kế xúc tác, tương tự như cách mà mô hình GPT xử lý ngôn ngữ. Ví dụ ban đầu bao gồm [FLT: 0] CatGPT [FLT: 1] và Matert.

Tính toán lượng tử

Các máy tính lượng tử cuối cùng có thể giải quyết chính xác phương trình Schrödinger loại bỏ các ước tính vốn có trong DFT. hiện nay, các mô hình lai lượng tử đang được khám phá để tạo ra dữ liệu huấn luyện chính xác hơn cho mô hình AI, đặc biệt là cho các dạng chuyển đổi kim loại với tương quan điện tử mạnh.

Nền tảng hợp tác và khoa học mở

Những nỗ lực như AI cho Consortium Conssis (AICat) nhằm chuẩn hóa định dạng dữ liệu, chia sẻ mô hình và hiệu suất dự báo. Công cụ mã nguồn mở (v. d., [FLT: 0] Mô hình CĐ trên GitHb) tăng tốc và thích nghi qua nhóm nghiên cứu.

Kết luận

Trí thông minh nhân tạo không chỉ là một công cụ chỉ đơn thuần để tự động nén dòng chảy công việc cũ - nó còn định nghĩa lại những gì có thể trong việc khám phá chất xúc tác. bằng cách học từ dữ liệu hiện có, tạo ra các ứng cử viên mới, và kết hợp các thí nghiệm tự động, AI nén dòng thời gian từ khái niệm đến xúc tác thực tế từ nhiều năm đến thậm chí nhiều tuần. trong khi những thử thách như chất lượng dữ liệu, khả năng giải thích, và khả năng chuyển đổi vẫn còn tồn tại, quỹ đạo rõ ràng: AI sẽ trở thành một đối tác không thể thiếu trong việc khám phá các chất xúc tác cần thiết cho một tương lai bền vững, xanh hơn, và hóa chất hóa học cao.