Gracias al aprendizaje automático, el futuro de la investigación de catalizadores es ahora.
Un nuevo estudio desafía las convenciones y propone un método tecnológico para identificar combinaciones útiles de catalizadores
Hasta la fecha, la investigación en el campo de los catalizadores combinatorios se ha basado en descubrimientos fortuitos de combinaciones de catalizadores. Ahora, unos científicos japoneses han perfeccionado un protocolo que combina el muestreo aleatorio, la experimentación de alto rendimiento y la ciencia de datos para identificar combinaciones sinérgicas de catalizadores. Con este avance, los investigadores esperan eliminar los límites impuestos a la investigación por depender de descubrimientos fortuitos y hacer que su nuevo protocolo se utilice más a menudo en la informática de los catalizadores.
Se muestrean aleatoriamente 300 catalizadores cuaternarios de un amplio espacio de materiales, donde su rendimiento en relación con el MCO se evalúa sistemáticamente mediante experimentación de alto rendimiento, seguida de aprendizaje automático, para identificar un conjunto de datos sin sesgos con el fin de aprender los patrones subyacentes en el rendimiento de los catalizadores que finalmente se utilizan para nuevos descubrimientos de catalizadores.
JAIST
Los catalizadores, o sus combinaciones, son compuestos que reducen significativamente la energía necesaria para llevar a término las reacciones químicas. En el campo del "diseño combinatorio de catalizadores", el requisito de la sinergia -cuando un componente de un catalizador complementa a otro- y la eliminación de combinaciones ineficaces o perjudiciales son consideraciones clave. Sin embargo, hasta ahora, los catalizadores combinatorios se han diseñado utilizando datos sesgados o por ensayo y error, o descubrimientos fortuitos de combinaciones que funcionaban. Un grupo de investigadores de Japón ha intentado ahora cambiar esta tendencia al tratar de idear un protocolo repetible que se basa en un instrumento de cribado y un análisis basado en software.
Su nuevo estudio, publicado en ACS Catalysis, detalla la identificación de combinaciones eficaces de catalizadores, utilizando el protocolo propuesto, para el acoplamiento oxidativo del metano (OCM). El OCM es una reacción química muy utilizada para convertir el metano en gases útiles en presencia de oxígeno y del catalizador. El Dr. Toshiaki Taniike, catedrático de la Escuela de Ciencias de los Materiales del Instituto Avanzado de Ciencia y Tecnología de Japón y autor correspondiente del estudio, explica que "el diseño combinatorio de catalizadores es difícilmente generalizable, y el aspecto empírico de la investigación ha sesgado los datos de la literatura hacia combinaciones encontradas accidentalmente".
Para obtener un conjunto de datos libre de sesgos a partir de OCM para idear el protocolo, los investigadores tomaron muestras aleatorias de 300 catalizadores sólidos de un vasto espacio de materiales que contiene más de 36.000 catalizadores. Analizar un número tan elevado de catalizadores es casi imposible para el ser humano. Por ello, el equipo utilizó un instrumento de cribado de alto rendimiento para evaluar su rendimiento a la hora de facilitar el MCO. El conjunto de datos obtenidos se utilizó para perfilar el nuevo protocolo, cuyo objetivo es proporcionar una guía para el diseño de catalizadores. Esto se implementó en forma de una "clasificación de árbol de decisiones", que es una forma de aprendizaje automático que ayudó a comprender la eficiencia de las combinaciones de catalizadores seleccionadas, para dar un mejor rendimiento de OCM. Esto, a su vez, ayudó a elaborar las directrices necesarias para el diseño de los catalizadores.
Curiosamente, los resultados mostraron que, incluso con un muestreo aleatorio, 51 de los 300 catalizadores dieron un mejor rendimiento de OCM en comparación con el proceso alternativo no catalítico. El Dr. Keisuke Takahashi, profesor asociado de la Universidad de Hokkaido y coautor de este estudio, explica las posibles implicaciones de su descubrimiento: "La combinación de la experimentación de alto rendimiento y la ciencia de los datos ya ha demostrado el poder de los big data de catalizadores sin sesgos para encontrar nuevos catalizadores, así como una guía de diseño de catalizadores. También es importante señalar la esencialidad de estos enfoques para llevar a cabo un estudio tan exigente en un plazo de tiempo realista. Equipando todas las técnicas esenciales del estudio, se podrían realizar desarrollos de catalizadores verdaderamente no empíricos".
De hecho, podemos esperar, junto con los científicos, que esta estrategia "catalice" varios descubrimientos futuros de la ciencia de los materiales.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
