コストを90%以上削減、「アクティブラーニング＋実験ワークフロー」で触媒開発を加速

編集者 | Green Luo

合成ガスの熱接触水素化による高級アルコール (HAS) の合成は、依然として有望な技術です。鎖の成長と CO 挿入の要件には、複雑な反応速度論と広い化学空間が触媒の設計仕様を満たさない多成分材料が必要です。

ここでは、チューリッヒ工科大学の研究者が、FeCoCuZr 触媒シリーズを例として、アクティブ ラーニングを実験ワークフローに統合する代替戦略を提案しています。

提案されたデータ支援フレームワークは、86 の実験にわたる広範囲の組成と反応条件のナビゲーションを簡素化し、従来の手順と比較して環境フットプリントとコストを 90% 以上削減します。最適化された反応条件を備えた Fe65Co19Cu5Zr11 触媒は、150 時間の安定運転で 1.1 というより高いアルコール生産性を達成し、これは一般に報告されている収率の 5 倍の向上であることが判明しました。

このアプローチは、既存の HAS 触媒設計戦略を超え、より広範囲の触媒変換に適用でき、実験室の持続可能性を促進します。

関連研究「アクティブラーニングは高級アルコール合成用の高性能触媒の開発を効率化する」と題した研究が、7月11日付けの「Nature Communications」に掲載されました。

論文リンク: https://www.nature.com/articles/s41467-024-50215-1

合成ガスベースの高級アルコール合成 (HAS) 用の効率的な触媒の開発は依然として課題である気の遠くなるような研究これは、循環経済を促進し、気候変動問題を緩和しながら、貴重な化学物質や燃料添加剤の化石燃料生産を削減する可能性がある課題です。貴重な化学物質や燃料添加剤の製造のための化石燃料を提供します。

機械学習 (ML) と並行実験の交差点はアクティブ ラーニングであり、小規模なデータ、マシン インテリジェンス、人間の意思決定の閉ループ フレームワークを通じて材料設計とプロセスの最適化を加速するのに適しています。

このアプローチは材料科学、創薬、生物システム工学ではますます人気が高まっていますが、触媒の分野では依然として研究が進んでいません。能動学習支援手法が非常に複雑な HAS 触媒システムに適しているかどうかは不明です。

アクティブ ラーニングは触媒開発を加速します

この研究では、研究者は高活性 FeCoCuZr 触媒の開発を加速するアクティブ ラーニング戦略を開拓しました。主な特徴:

(i) Fe65Co19Cu5Zr11 触媒は高い予測能力を持ち、その最適な反応条件は、空時収率 (STYHA) が 1.1 で持続時間が少なくとも 150 時間の安定した高級アルコールです。これは合成ガス直接 HAS についてこれまでに報告された最高値です。

(ii) 約 50 億の潜在的な組み合わせの膨大な空間から 86 の実験に最適なシステムを特定することで、時間とリソースを大幅に削減します。

(iii) よりターゲットを絞った最適化が明らかになります。固有の性能のトレードオフを考慮し、高いSTYHAを維持しながらCO2とCH4への選択性を最小限に抑えるためにパレート最適触媒を推奨します。

図: 触媒組成を決定し、反応条件を最大化しますSTYHA。 (出典: 論文)

これらの結果は、効率的な多成分触媒の開発を加速し、触媒研究の革新を促進し続けるためのデータ駆動型アプローチの可能性を強調しています。

アクティブ ラーニング フレームワークの概要と範囲

データ駆動型アルゴリズムと実験ワークフローを組み合わせたアクティブ ラーニング アプローチ。反復的な実験サイクルで既存のデータと新しく生成されたデータから継続的に学習し、触媒を最適化するために FeCoCuZr の組成と反応条件を探索および特定します。関心のあるパフォーマンス指標。データ駆動型モデルの中核は、ガウス プロセス (GP) およびベイズ最適化 (BO) アルゴリズムと人間の意思決定を組み合わせて、単一または複数の目的のタスクを完了します。

図: FeCoCuZr 触媒開発のためのアクティブ ラーニング ワークフロー スキーム。 (出典: 論文)

HAS に対するこのアプローチの実現可能性を実証するために、研究は 3 つの異なるフェーズで体系的に実施され、モデルの複雑さが徐々に増加しました。

• ステージ1では、一定の反応条件下でSTYHAを最大化することを目的として、触媒組成を変更します。

• ステージ 2 では、STYHA を最大化するために触媒組成と反応条件を同時に探索することにより、問題の次元が増加します。

• その後、ステージ 3 では、STYHA の最大化と CO2 とメタンの組み合わせ選択性の最小化を同時に行うことにより、この方法が多目的機能に拡張されます。各ステージでは、目標のパフォーマンス指標に到達するか飽和に達するまで、6 つの実験からなる反復サイクルが実行されます。

アクティブラーニングと持続可能な研究室

FeCoCuZr系の可能な化学とパラメータ空間の組み合わせは10億通りありますが、多成分触媒の実践的な研究は数百から数千のスクリーニング実験に及びます。研究者らは、アクティブ ラーニングを採用することで、必要な性能目標を達成するために、FeCoCuZr 触媒の広大な空間をステージ 1 ～ 3 の累積 104 回の実験にマッピングし、アクティブ ラーニングが実験作業をスピードアップできると主張する文献の増加を裏付けました。これは、まだ検討されていない触媒開発プログラムの環境的および経済的持続可能性に重大な影響を及ぼします。

イラスト: 研究室の持続可能性に対するアクティブラーニングの影響。 (出典: 論文)

これに関連して、この研究が触媒開発の取り組みを表すものであると仮定して、この研究は、アクティブラーニングが研究室の 2 つの持続可能性の柱に影響を与える程度を評価します。

分析によると、従来のイベントと比較して二酸化炭素排出量とコストが平均して 90% 以上削減されています。また、この結果は、エネルギーミックスや研究室運営費の構成などに影響を与える世界的な地域差にはほとんど依存していないことも観察されました。

したがって、アクティブ ラーニングは、化学物質とエネルギーの消費を削減し、資源利用を最適化することにより、持続可能な触媒研究室の発展に大きく貢献します。

注: 表紙はインターネットから取得したものです

以上がコストを90%以上削減、「アクティブラーニング＋実験ワークフロー」で触媒開発を加速の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。