Разработка катализаторов долгое время зависела от методов проб и ошибок, которые отнимают много времени и часто дают противоречивые данные. Чтобы повысить точность и эффективность проектирования катализаторов, необходимо перейти к парадигме синтеза катализаторов на основе данных и автоматизации.
В исследовании, опубликованном в журнале Matter, группа учёных под руководством профессора Дэн Дэхуэй из Даляньского института химической физики (DICP) Китайской академии наук в сотрудничестве с группой доктора Ли Хаобо из Технологического университета Наньян провела систематический обзор трансформационной роли искусственного интеллекта (ИИ) в разработке и синтезе гетерогенных катализаторов. Они определили будущие направления инноваций в этой области, основанных на ИИ.
Использование машинного обучения
Машинное обучение (МО) было выделено как мощный инструмент для прогнозирования взаимосвязи между структурой и свойствами катализатора, оптимизации условий синтеза и обеспечения высокопроизводительных автоматизированных расчётов и экспериментов. Выявляя ключевые дескрипторы производительности, МО снижает зависимость от ресурсоёмких теоретических расчётов, таких как теория функционала плотности, ускоряя процесс открытия катализаторов.
Продвинутые методы, такие как активное обучение и генеративные модели, дополнительно повышают эффективность проектирования, приоритизируя критические эксперименты и предлагая новые кандидатные катализаторы.
Закрытые системы на базе ИИ
Особое внимание было уделено разработке закрытых систем на базе ИИ, которые интегрируют автоматизированный синтез, характеристику и оптимизацию. Эти системы улучшают качество данных, минимизируют человеческие ошибки и обеспечивают воспроизводимость на протяжении всего цикла разработки катализатора.
Текущие вызовы
Были отмечены текущие проблемы, включая ограниченную обобщающую способность моделей ИИ в различных каталитических системах, сложность интеграции междисциплинарных наборов данных и необходимость улучшения обнаружения аномалий в автоматизированных рабочих процессах.
Исследователи предложили технологические дорожные карты, подчёркивающие важность межвузовского обмена данными и адаптивных фреймворков ИИ.
«Это исследование представляет собой план перехода исследований в области катализа к полностью автоматизированным и интеллектуальным парадигмам, раскрывая эффективность в разработке катализаторов», — сказал профессор Дэн.
Предоставлено Китайской академией наук.