Zelfs een eenvoudige chemische reactie kan verrassend ingewikkeld zijn. Dat geldt vooral voor reacties met katalysatoren, die de chemie versnellen die brandstof maakt, kunstmest en andere industriële goederen. In theorie, een katalytische reactie kan duizenden mogelijke paden volgen, en het kan jaren duren om te bepalen welke het eigenlijk nodig heeft, zodat wetenschappers het kunnen aanpassen en efficiënter kunnen maken.

Nu hebben onderzoekers van het SLAC National Accelerator Laboratory van het Department of Energy en de Stanford University een grote stap gezet om dit struikgewas van mogelijkheden te doorbreken. Ze gebruikten machine learning - een vorm van kunstmatige intelligentie - om de minst waarschijnlijke reactiepaden weg te snoeien, zodat ze hun analyse kunnen concentreren op de weinige die overblijven en veel tijd en moeite kunnen besparen.

De methode zal werken voor een breed scala aan complexe chemische reacties en zou de ontwikkeling van nieuwe katalysatoren drastisch moeten versnellen, het team meldde in Natuurcommunicatie .

'Een ontmoedigende taak'

"Het ontwerpen van een nieuwe katalysator om een ​​chemische reactie te versnellen is een zeer ontmoedigende taak, " zei Thomas Bligaard, een stafwetenschapper bij het SUNCAT Center for Interface Science and Catalysis, een gezamenlijk SLAC/Stanford-instituut waar het onderzoek plaatsvond. "Er is een enorme hoeveelheid experimenteel werk dat er normaal gesproken in gaat zitten."

Bijvoorbeeld, hij zei, het vinden van een katalysator die stikstof uit de lucht omzet in ammoniak - beschouwd als een van de belangrijkste ontwikkelingen van de 20e eeuw omdat het de grootschalige productie van kunstmest mogelijk maakte, helpen bij het lanceren van de Groene Revolutie – het kostte tientallen jaren om verschillende reacties één voor één te testen.

Zelfs vandaag, met behulp van supercomputersimulaties die de resultaten van reacties voorspellen door theoretische modellen toe te passen op enorme databases over het gedrag van chemicaliën en katalysatoren, de zoektocht kan jaren duren, omdat het tot nu toe grotendeels op menselijke intuïtie vertrouwde om mogelijke winnaars te kiezen uit de vele beschikbare reactiepaden.

"We moeten weten wat de reactie is, en wat zijn de moeilijkste stappen op het reactiepad, om zelfs maar na te denken over het maken van een betere katalysator, " zei Jens Nørskov, een professor aan SLAC en Stanford en directeur van SUNCAT.

"We moeten ook weten of de reactie alleen het product maakt dat we willen of dat het ook ongewenste bijproducten maakt. We hebben in feite redelijke veronderstellingen gemaakt over deze dingen, en we hebben echt een systematische theorie nodig om ons te leiden."

Menselijke intuïtie inruilen voor machinaal leren

Voor deze studie is het team keek naar een reactie die syngas verandert, een combinatie van koolmonoxide en waterstof, in brandstoffen en industriële chemicaliën. Het syngas stroomt over het oppervlak van een rhodiumkatalysator, die zoals alle katalysatoren niet wordt verbruikt in het proces en steeds opnieuw kan worden gebruikt. Hierdoor ontstaan ​​chemische reacties die een aantal mogelijke eindproducten kunnen opleveren, zoals ethanol, methaan of aceetaldehyde.

"In dit geval zijn er duizenden mogelijke reactiepaden - een oneindig aantal, echt – met honderden tussenstappen, " zei Zachary Ulissi, een postdoctoraal onderzoeker bij SUNCAT. "Wat er gewoonlijk zou gebeuren, is dat een afgestudeerde student of postdoctoraal onderzoeker ze één voor één doorneemt, hun intuïtie gebruiken om te kiezen wat zij denken dat de meest waarschijnlijke paden zijn. Dit kan jaren duren."

De nieuwe methode verdringt intuïtie ten gunste van machine learning, waarbij een computer een reeks probleemoplossende regels gebruikt om patronen uit grote hoeveelheden gegevens te leren en vervolgens vergelijkbare patronen in nieuwe gegevens te voorspellen. Het is een hulpmiddel achter de schermen in een toenemend aantal technologieën, van zelfrijdende auto's tot fraudedetectie en online aankoopadviezen.

Snel wieden

De gegevens die in dit proces zijn gebruikt, zijn afkomstig van eerdere onderzoeken naar chemicaliën en hun eigenschappen, inclusief berekeningen die de bindingsenergieën tussen atomen voorspellen op basis van principes van de kwantummechanica. De onderzoekers waren vooral geïnteresseerd in twee factoren die bepalen hoe gemakkelijk een katalytische reactie verloopt:hoe sterk de reagerende chemicaliën zich hechten aan het oppervlak van de katalysator en welke stappen in de reactie de belangrijkste belemmeringen vormen om verder te gaan. Deze staan ​​bekend als snelheidsbeperkende stappen.

Een reactie zal de weg zoeken die de minste energie kost, Ulissi legde uit, net zoals een snelwegontwerper een route tussen bergen zal kiezen in plaats van tijd te verspillen aan het zoeken naar een efficiënte manier om over de top van een piek te gaan. Met machine learning konden de onderzoekers de reactiepaden keer op keer analyseren, waarbij telkens de minst waarschijnlijke paden worden geëlimineerd en de zoekstrategie voor de volgende ronde wordt verfijnd.

Toen alles was opgezet, Ulissi zei, "Het kostte maar seconden of minuten om de paden die niet interessant waren uit te roeien. Uiteindelijk waren er maar een tiental reactiebarrières die belangrijk waren." De nieuwe methode, hij zei, heeft het potentieel om de tijd die nodig is om een ​​reactiepad te identificeren van jaren tot maanden te verminderen.