Daten, onderzoek op het gebied van combinatorische katalysatoren is gebaseerd op toevallige ontdekkingen van katalysatorcombinaties. Nutsvoorzieningen, wetenschappers uit Japan hebben een protocol gestroomlijnd dat willekeurige steekproeven combineert, experimenten met hoge doorvoer, en datawetenschap om synergetische combinaties van katalysatoren te identificeren. Met deze doorbraak de onderzoekers hopen de beperkingen van onderzoek weg te nemen door te vertrouwen op toevallige ontdekkingen en hun nieuwe protocol vaker te laten gebruiken in katalysatorinformatica.

Katalysatoren, of hun combinaties, zijn verbindingen die de energie die nodig is om chemische reacties tot een goed einde te brengen, aanzienlijk verlagen. Op het gebied van het ontwerp van combinatorische katalysatoren, de eis van synergie - waarbij de ene component van een katalysator een andere complementeert - en de eliminatie van ineffectieve of schadelijke combinaties zijn belangrijke overwegingen. Echter, tot dusver, combinatorische katalysatoren zijn ontworpen met behulp van vooringenomen gegevens of trial-and-error, of toevallige ontdekkingen van combinaties die werkten. Een groep onderzoekers uit Japan heeft nu geprobeerd deze trend te veranderen door te proberen een herhaalbaar protocol te bedenken dat steunde op een screeningsinstrument en op software gebaseerde analyse.

Hun nieuwe studie, gepubliceerd in ACS Katalyse , beschrijft de identificatie van effectieve katalysatorcombinaties, met behulp van het voorgestelde protocol, voor de oxidatieve koppeling van methaan (OCM). OCM is een veelgebruikte chemische reactie die wordt gebruikt om methaan om te zetten in bruikbare gassen in aanwezigheid van zuurstof en de katalysator. Ingaan op de beweegredenen achter het onderzoek, Dr. Toshiaki Taniike, Professor aan de School of Materials Science, Japan Advanced Institute of Science and Technology en corresponderende auteur van de studie, zegt, "Combinatorisch katalysatorontwerp is nauwelijks generaliseerbaar, en het empirische aspect van het onderzoek heeft de literatuurgegevens vertekend in de richting van per ongeluk gevonden combinaties."

Om een ​​bias-vrije dataset van OCM af te leiden voor het ontwerpen van het protocol, de onderzoekers bemonsterden willekeurig 300 vaste katalysatoren uit een enorme materiaalruimte met meer dan 36, 000 katalysatoren! Het screenen van zo'n groot aantal katalysatoren is naar menselijke maatstaven bijna onmogelijk. Vandaar, het team gebruikte een screeninginstrument met hoge doorvoer om hun prestaties bij het faciliteren van OCM te evalueren. De verkregen dataset werd gebruikt om het nieuwe protocol te schetsen, gericht op het geven van een richtlijn voor het ontwerp van katalysatoren. Dit werd geïmplementeerd in de vorm van een beslisboomclassificatie, wat een vorm van machine learning is die hielp bij het begrijpen van de efficiëntie van de geselecteerde katalysatorcombinaties, bij het geven van een betere OCM-opbrengst. Dit, beurtelings, geholpen bij het opstellen van de benodigde richtlijnen voor het ontwerp van de katalysator.

interessant, de resultaten toonden aan dat, zelfs met willekeurige steekproeven, 51 van de 300 katalysatoren gaven een betere OCM-opbrengst in vergelijking met het alternatieve niet-katalytische proces. De mogelijke implicaties van hun ontdekking uitleggen, Dr. Keisuke Takahashi, Universitair hoofddocent aan de Hokkaido University en co-auteur van deze studie, zegt, "De combinatie van experimenten met hoge doorvoer en datawetenschap heeft al de kracht aangetoond van bias-vrije katalysator-big data bij het vinden van nieuwe katalysatoren, evenals een richtlijn voor het ontwerpen van katalysatoren. Het is ook belangrijk om de essentie van deze benaderingen te vermelden voor het implementeren van zo'n veeleisende studeren in een realistisch tijdsbestek Door alle essentiële technieken van de studie uit te rusten, werkelijk niet-empirische katalysatorontwikkelingen zouden kunnen worden gerealiseerd."

Inderdaad, we kunnen hopen, samen met de wetenschappers, dat deze strategie verschillende toekomstige materiaalwetenschappelijke ontdekkingen zal 'katalyseren'.