Science >> Wetenschap >  >> Chemie

AI-ondersteund robotlab ontwikkelt nieuwe katalysatoren om methanol uit CO₂ te synthetiseren

Deze robotarm brengt glazen flesjes over naar een centrifuge. Het maakt deel uit van een roboteenheid die volledig autonoom katalysatoren produceert volgens de specificaties van een AI-model. Credit:ETH Zürich / Michel Büchel

Kunstmatige intelligentie en geautomatiseerde laboratoriuminfrastructuur versnellen de ontwikkeling van nieuwe chemische katalysatoren enorm. Met deze hulpmiddelen ontwikkelen onderzoekers van ETH Zürich katalysatoren voor het efficiënt en kosteneffectief synthetiseren van de energiebron methanol uit CO2 .



Katalysatoren zijn de hardwerkende kleine helpers van de chemie. Ze versnellen reacties en verminderen de energie die nodig is om een ​​reactie te laten plaatsvinden. Hoe specifieker en effectiever een katalysator is, des te effectiever worden eventuele ongewenste nevenreacties onderdrukt.

In de natuur hebben enzymen de taak om specifiek de vereiste metabolische processen te stimuleren vanuit de bijna oneindige reactiemogelijkheden van de chemische soep in de cellen. In chemische fabrieken worden gewoonlijk metaalkatalysatoren gebruikt om de productopbrengst te verhogen.

De onderzoekers die werken aan het Swiss Cat+ technologieplatform bij ETH Zürich, onder leiding van Paco Laveille, hebben nu een volledig gedigitaliseerde en geautomatiseerde methode ontwikkeld waarmee ze veel sneller dan voorheen nieuwe en betere metaalkatalysatoren kunnen vinden. Hun proces bestaat uit een combinatie van kunstmatige intelligentie (AI) voor het berekenen van veelbelovende katalysatorsamenstellingen en een geautomatiseerd synthese- en testlaboratorium.

Met deze infrastructuur kostte het het team minder dan zes weken om met succes ongeveer 150 katalysatorsamenstellingen te ontwikkelen voor de productie van methanol uit CO2 . De beste katalysatoren zijn kosteneffectief en vertonen hoge conversiepercentages met een laag aandeel bijproducten. "Deze nieuwe methode bespaart enorm veel tijd", zegt Laveille. "Met een conventionele aanpak zouden onze experimenten jaren hebben geduurd."

De onderzoekers hebben twee artikelen over hun methode gepubliceerd. De eerste werd vorig jaar gepubliceerd in CHIMIA en de tweede deze week in Chem Catalysis .

Methanol wordt beschouwd als een van de sleutelelementen voor een duurzame koolwaterstofeconomie. De stof is chemisch nauw verwant aan ethanol (d.w.z. het drinken van alcohol). De stof kan zowel als brandstof als als grondstof worden gebruikt voor de productie van organische verbindingen zoals medicijnen, plastics of verven.

Omdat het een vloeistof is, is methanol veel gemakkelijker te transporteren en op te slaan dan gasvormig waterstof en methaan, twee andere energiebronnen. Bovendien vereist het gebruik van methanol in de bestaande infrastructuur en motoren van de hedendaagse benzinetechnologie slechts kleine aanpassingen.

De mogelijkheden beperken door slimme voorselectie

In de zoektocht naar optimale katalysatoren voor de productie van methanol is er één groot probleem:theoretisch kunnen atomen op een vrijwel oneindig aantal manieren worden gecombineerd om een ​​katalysator te vormen. "De chemische ruimte waarin we naar katalysatoren zoeken omvat ongeveer 10 20 mogelijkheden – dat is honderd miljard miljard. We zijn dus letterlijk op zoek naar een speld in de chemische hooiberg”, legt Christophe Copéret uit, professor aan het Laboratorium voor Anorganische Chemie van de ETH Zürich en mede-initiatiefnemer van het Swiss Cat+ project.

Om het enorme scala aan mogelijkheden te beperken, hebben de onderzoekers een voorselectie gemaakt op basis van ervaring en economische vereisten. Een katalysator die op grote schaal kan worden toegepast, moet niet alleen effectief zijn, maar ook goedkoop. Om die reden waren de belangrijkste actieve ingrediënten voor de katalysator beperkt tot drie relatief goedkope metalen:ijzer, koper en kobalt.

Naast deze belangrijkste metalen hebben de onderzoekers gekeken naar drie elementen die traditioneel in kleine hoeveelheden aan katalysatoren worden toegevoegd voor dopingdoeleinden, naast kalium, dat ook in veel katalysatoren zit. Wat de dragermaterialen betreft, beperkten de onderzoekers zich tot vier typische metaaloxiden. Vermenigvuldigd met de verschillende mengverhoudingen leverde dit nog steeds 20 miljoen mogelijke combinaties op.

Precisieschaal van het robotsysteem. Het systeem brengt vaste en vloeibare ruwe chemicaliën over naar de glazen flesjes waarin de synthese plaatsvindt. Credit:ETH Zürich / Michel Büchel

Iteratieve stappen zetten met door AI ondersteunde statistieken

Op dit punt brachten de onderzoekers een AI-algoritme in het spel dat gebruik maakt van zogenaamde Bayesiaanse optimalisatie om de best mogelijke oplossingen te vinden. Deze bijzondere vorm van statistiek is vooral geschikt als er slechts een kleine hoeveelheid gegevens beschikbaar is. Anders dan in de klassieke statistieken komt de waarschijnlijkheid niet voort uit de relatieve frequentie zoals berekend op basis van talrijke experimenten. In plaats daarvan wordt bij de berekening rekening gehouden met de waarschijnlijkheid die op basis van de huidige kennis kan worden verwacht.

In de eerste ronde selecteerde het algoritme willekeurig 24 katalysatorsamenstellingen die voldeden aan de specificaties die waren opgesteld om de complexiteit te beperken. Deze katalysatoren werden rechtstreeks geproduceerd met behulp van de geautomatiseerde laboratoriuminfrastructuur van Swiss Cat+ en vervolgens getest.

We leveren snel veel zeer betrouwbare resultaten

De resultaten van deze eerste selectie dienden de onderzoekers als uitgangspunt voor een AI-voorspelling; de aldus voorspelde katalysatorsamenstellingen werden op hun beurt automatisch gesynthetiseerd en getest. Voor deze eerste demonstratietest lieten de wetenschappers hun geïntegreerde systeem in totaal zes van dergelijke rondes voltooien.

Het feit dat de resultaten tussen rondes niet lineair verbeterden, maar eerder met grote sprongen, was volledig opzettelijk:niet alleen optimaliseert het algoritme de resultaten van eerdere ronden, het bevat ook een verkennende component die volledig nieuwe composities in elke ronde invoert. rond en leert over de chemische ruimte. Zo voorkwamen de onderzoekers dat de berekeningen in een optimalisatie-doodlopende weg tussen alle mogelijkheden terechtkwamen.

Gegevens genereren die verder gaan dan petrochemie

Bij dit eerste project was het echter niet de voornaamste zorg van de onderzoekers om met de best mogelijke katalysator voor de methanolsynthese te komen. “Op dit moment is de kennis over katalysatoren voor brandstofproductie vooral gebaseerd op expertise uit de olie-industrie”, zegt Copéret. "Als het gaat om reacties voor gebruik in de duurzame energiesector ontbreken betrouwbare gegevens nog grotendeels."

AI-algoritmen en menselijke onderzoeksintelligentie hebben die gegevens echter nodig voordat ze gerichter kunnen zoeken in de enorme ruimte van chemische mogelijkheden. "En dat is precies het soort hoogwaardige, reproduceerbare gegevens dat ons AI-ondersteunde robotlaboratorium nu levert. Het zal het katalysatoronderzoek zeker een grote stap voorwaarts brengen", voegt Laveille toe.

Meer informatie: Paco Laveille et al, Swiss CAT+, een datagestuurde infrastructuur voor versnelde ontdekking en optimalisatie van katalysatoren, CHIMIA (2023). DOI:10.2533/chimia.2023.154

Adrian Ramirez et al., Versnelde verkenning van heterogene CO2 hydrogeneringskatalysatoren door Bayesiaans geoptimaliseerde en geautomatiseerde experimenten met hoge doorvoer, Chem Catalysis (2024). DOI:10.1016/j.checat.2023.100888

Aangeboden door ETH Zürich