Onderzoekers hebben een ‘zelfrijdend’ laboratorium ontwikkeld dat kunstmatige intelligentie (AI) en geautomatiseerde systemen gebruikt om diepgaande analyses te maken van katalytische reacties die worden gebruikt in chemisch onderzoek en productie. De nieuwe tool, genaamd Fast-Cat, kan in vijf dagen meer informatie verschaffen dan mogelijk is na zes maanden conventioneel testen.

Het onderzoeksartikel, "Autonomous reaction pareto-front mapping with a self-driving catalysis lab", verschijnt in het tijdschrift Nature Chemical Engineering .

Het gaat om de opbrengst en selectiviteit van chemische reacties in de aanwezigheid van moleculen die liganden worden genoemd.

Opbrengst verwijst naar hoe efficiënt een chemische reactie een gewenst product oplevert uit de chemicaliën waarmee u bent begonnen. Selectiviteit verwijst naar de mate waarin je een chemische reactie een specifiek product kunt laten produceren in plaats van meerdere producten te creëren. Liganden worden veel gebruikt bij de katalyse, waardoor ze de selectiviteit van chemische reacties versnellen en controleren die worden gebruikt in processen variërend van industriële chemie tot farmaceutische productie.

Vanuit brancheperspectief wil je de hoogst mogelijke opbrengst en selectiviteit. Omdat de specifieke stappen die u neemt bij het uitvoeren van de katalytische reactie zowel de opbrengst als de gevoeligheid kunnen beïnvloeden, besteden industriële chemici enorm veel tijd en moeite aan het vinden van de parameters die nodig zijn om het meest wenselijke reactieresultaat te bereiken.

"Het probleem is dat conventionele technieken voor het ontdekken en ontwikkelen van katalysatoren tijd-, materiaal- en arbeidsintensief zijn", zegt Milad Abolhasani, corresponderend auteur van een artikel over het werk en universitair hoofddocent chemische en biomoleculaire technologie aan de North Carolina State University.

"Deze technieken zijn grotendeels afhankelijk van handmatige monsterbehandeling met batchreactoren, evenals van menselijke intuïtie en ervaring om de experimentele planning aan te sturen. Naast de materiële inefficiënties creëert deze mensafhankelijke benadering van de katalysatorontwikkeling een grote tijdskloof tussen het uitvoeren van de reactie , het karakteriseren van het product en het nemen van een beslissing over het volgende experiment. Daarom hebben we Fast-Cat gecreëerd. We kunnen nu beter begrijpen hoe een specifiek ligand in vijf dagen presteert dan voorheen mogelijk was in zes maanden>

Fast-Cat is volledig autonoom en maakt gebruik van AI en geautomatiseerde systemen om continu gas-vloeistofreacties op hoge temperatuur en hoge druk uit te voeren. De autonome technologie analyseert ook de output van elk van deze reacties om – zonder menselijke tussenkomst – te bepalen hoe verschillende variabelen de uitkomst van elk experiment beïnvloeden.

Fast-Cat gebruikt de resultaten van alle eerdere experimenten die het heeft uitgevoerd (zowel successen als mislukkingen) om te bepalen welk experiment het volgende zal uitvoeren.

"De AI van Fast-Cat evolueert voortdurend en leert van de experimenten die het al heeft uitgevoerd", zegt Abolhasani.

In termen van de leek:gebruikers laten Fast-Cat weten met welke liganden en precursorchemicaliën het moet beginnen, en zien vervolgens hoeveel het kan leren over 60 experimenten.

"We hebben veel tijd besteed aan het verfijnen van het AI-model van Fast-Cat om het vermogen ervan te optimaliseren om een ​​zo breed mogelijk inzicht te bieden in hoe verschillende parameters de selectiviteit en opbrengst van katalytische reacties beïnvloeden met behulp van een specifiek ligand", zegt Abolhasani.

“We hebben er ook veel tijd aan besteed om ervoor te zorgen dat de bevindingen van Fast-Cat schaalbaar zijn. Fast-Cat voert zijn experimenten uit met extreem kleine steekproeven. Maar als we willen dat de bevindingen relevant zijn voor praktisch gebruik, moesten we weten dat de bevindingen van Fast-Cat bevindingen gelden voor reacties die op grote schaal worden uitgevoerd en die relevant zijn voor industriële productie."

Voor proof-of-concept-testen gebruikten de onderzoekers Fast-Cat om de katalytische prestaties van zes liganden te karakteriseren die al in de onderzoeksliteratuur voorkomen.

"Deze technologie zorgt voor een diepgaande optimalisatie van elk uniek ligand", zegt Dawn Mason, Global External Innovation Manager bij Eastman, een wereldwijd bedrijf in speciale materialen dat het werk ondersteunde. "Voor de eerste keer zijn we in staat om snel een grote verscheidenheid aan parameters te beoordelen en een echt diepgaand inzicht te krijgen in hoe we de prestaties van elk ligand kunnen beïnvloeden. We hebben de reeks mogelijke selectiviteit en eindpunten voor elk ligand meer dan verdubbeld Ongelooflijk genoeg duurde het slechts vijf dagen om ze allemaal te beoordelen."

"Er zit echte waarde voor de chemische en farmaceutische industrie in een beter begrip van hoe ze de katalytische processen die ze gebruiken bij de productie kunnen beïnvloeden", zegt Jeff Carbeck, vice-president bedrijfsinnovatie bij Eastman. "Fast-Cat biedt dat inzicht – en doet dit snel, efficiënt en met gebruik van kleine hoeveelheden van de relevante liganden en chemische precursoren. Met andere woorden, het is snel, goedkoop en zeer effectief."

De onderzoekers hebben de software en hardware openbaar gemaakt, zodat Fast-Cat kan worden gebruikt om aanvullend onderzoek mogelijk te maken.

"We hopen dat andere onderzoekers deze technologie kunnen adopteren om de ontdekking van katalyse in de academische wereld en de industrie te versnellen", zegt Abolhasani.

Het artikel is co-auteur van Jeffrey Bennett, een postdoctoraal onderzoeker bij NC State; Negin Orouji en Sina Sadeghi, beiden Ph.D. studenten aan NC State; Muzammil Khan, een voormalig postdoctoraal onderzoeker bij NC State; en Jody Rodgers van Eastman.

Meer informatie: Autonome reactie Pareto-front mapping met een zelfsturend katalyselaboratorium, Natuurchemische technologie (2024). DOI:10.1038/s44286-024-00033-5. www.nature.com/articles/s44286-024-00033-5

Journaalinformatie: Natuurchemische technologie

Aangeboden door North Carolina State University