비용 90% 이상 절감, '능동 학습 + 실험 워크플로'로 촉매 개발 가속화
- WBOY원래의
- 2024-07-19 09:49:21964검색
Editor | Green Luo
합성가스의 열촉매 수소화를 통한 고급 알코올(HAS) 합성은 여전히 유망한 기술입니다. 사슬 성장 및 CO 삽입 요구 사항에는 복잡한 반응 동역학과 넓은 화학적 공간이 촉매 설계 사양을 충족하지 못하는 다성분 재료가 필요합니다.
여기에서 ETH Zurich의 연구원들은 FeCoCuZr 촉매 시리즈를 예로 사용하여 능동 학습을 실험 워크플로에 통합하는 대체 전략을 제안합니다.
제안된 데이터 지원 프레임워크는 86개 실험 전반에 걸쳐 광범위한 조성 및 반응 조건 탐색을 단순화하여 기존 절차에 비해 환경 발자국과 비용을 90% 이상 줄입니다. 최적화된 반응 조건을 갖춘 Fe65Co19Cu5Zr11 촉매는 150시간 동안 안정적인 작동에서 1.1
의 더 높은 알코올 생산성을 달성한 것으로 확인되었으며, 이는 일반적으로 보고된 수율보다 5배 향상된 수치입니다.
이 접근 방식은 기존 HAS 촉매 설계 전략을 뛰어넘어 더 넓은 범위의 촉매 변환에 적용 가능하며 실험실 지속 가능성을 촉진합니다.
"Active learning으로 고급 알코올 합성을 위한 고성능 촉매 개발을 간소화합니다"라는 제목의 관련 연구가 "Nature Communications"에 7월 11일 게재되었습니다.
합성가스 기반 고급 알코올 합성(HAS)을 위한 효율적인 촉매 개발은 여전히 어려운 과제입니다. 순환 경제를 촉진하고 기후 변화 문제를 완화하면서 귀중한 화학 물질과 연료 첨가제의 화석 연료 생산을 줄일 수 있는 과제입니다. 귀중한 화학물질과 연료 첨가제 생산을 위한 화석 연료를 제공합니다.
머신 러닝(ML)과 병렬 실험의 교차점은 능동 학습으로, 소규모 데이터-기계 지능-인간 의사 결정 폐쇄 루프 프레임워크를 통해 재료 설계 및 프로세스 최적화를 가속화하는 데 적합합니다.
이 접근 방식은 재료 과학, 신약 발견 및 바이오시스템 공학에서 점점 더 인기를 얻고 있지만 촉매 분야에서는 아직 연구가 부족합니다. 능동 학습 지원 방법이 매우 복잡한 HAS 촉매 시스템에 적합한지 여부는 알려져 있지 않습니다.
능동 학습으로 촉매 개발 가속화
이 연구에서 연구자들은 활성이 높은 FeCoCuZr 촉매 개발을 가속화하기 위한 능동 학습 전략을 개척했습니다. 주요 특징은 다음과 같습니다:
(i) Fe65Co19Cu5Zr11 촉매는 예측 능력이 높으며 최적의 반응 조건은 시공간 수율(STYHA)이 1.1
이고 지속 시간이 최소 150시간인 안정적인 고급 알코올입니다. 이는 합성 가스 직접 HAS에 대해 지금까지 보고된 가장 높은 값입니다.
(ii) 약 50억 개의 잠재적 조합이 있는 거대한 공간에서 86개 실험을 위한 최적의 시스템을 식별하여 시간과 자원을 대폭 절감합니다.
(iii) 더 많은 표적화 최적화가 밝혀졌습니다. 고유한 성능 균형을 유지하고 높은 STYHA를 유지하면서 CO2 및 CH4에 대한 선택성을 최소화하기 위해 파레토 최적 촉매를 권장합니다.
이러한 결과는 효율적인 다성분 촉매 개발을 지속적으로 가속화하고 촉매 연구의 혁신을 촉진하기 위한 데이터 기반 접근 방식의 잠재력을 강조합니다.
능동 학습 프레임워크 개요 및 범위
반복 실험 주기에서 기존 및 새로 생성된 데이터로부터 지속적으로 학습하는 실험 워크플로와 데이터 기반 알고리즘을 결합하여 FeCoCuZr 구성 및 반응 조건을 탐색 및 식별하여 촉매를 최적화하는 능동 학습 접근 방식입니다. 관심 성과 지표. 데이터 기반 모델의 핵심은 GP(가우시안 프로세스) 및 BO(베이지안 최적화) 알고리즘을 인간의 의사 결정과 결합하여 단일 또는 다중 목표 작업을 완료합니다.
그림: FeCoCuZr 촉매 개발을 위한 능동적 학습 작업 흐름 체계. (출처: 종이)
HAS에 대한 이 접근 방식의 타당성을 입증하기 위해 연구는 세 가지 단계로 체계적으로 수행되었으며 모델의 복잡성이 점차 증가했습니다.
1단계에서는 고정된 반응 조건에서 STYHA를 극대화하는 것을 목표로 촉매 조성을 다양하게 변경합니다.
2단계에서는 STYHA를 극대화하기 위해 촉매 조성과 반응 조건을 동시에 탐색하여 문제의 차원성을 높입니다.
그런 다음 3단계에서는 STYHA를 최대화하고 CO2와 메탄의 결합 선택성을 최소화함으로써 방법이 다목적 기능으로 확장됩니다. 각 단계에서는 목표 성능 지수에 도달하거나 포화 상태에 도달할 때까지 6번의 실험으로 구성된 반복 주기를 수행합니다.
Active Learning and Sustainable Labs
FeCoCuZr 시스템에 대한 가능한 화학 및 매개변수 공간의 조합은 수십억 개가 있지만 다성분 촉매에 대한 실제 연구는 수백에서 수천 건의 스크리닝 실험에 이릅니다.
연구원들은 능동 학습을 사용하여 필요한 성능 목표를 달성하기 위해 1~3단계의 누적 104개 실험에 FeCoCuZr 촉매의 광대한 공간을 매핑했으며, 능동 학습이 실험 속도를 높일 수 있다고 주장하는 늘어나는 문헌을 확인했습니다. 이는 아직 탐구되지 않은 촉매 개발 프로그램의 환경적, 경제적 지속가능성에 대해 심오한 영향을 미칩니다.
이러한 맥락에서, 본 연구가 촉매제 개발 노력을 나타낸다고 가정하고, 본 연구는 능동적 학습이 실험실의 두 가지 지속 가능성 기둥에 영향을 미치는 정도를 평가합니다.
분석에 따르면 기존 행사에 비해 탄소 배출량과 비용이 평균 90% 이상 감소하는 것으로 나타났습니다. 또한 이 결과는 예를 들어 에너지 혼합이나 실험실 운영 지출 구성에 영향을 미치는 글로벌 지역적 차이에 거의 의존하지 않는 것으로 관찰되었습니다.
따라서 능동적 학습은 화학 물질 및 에너지 소비를 줄이고 자원 활용을 최적화함으로써 지속 가능한 촉매 실험실 개발에 크게 기여합니다.
참고: 표지는 인터넷에서 가져온 것입니다
위 내용은 비용 90% 이상 절감, '능동 학습 + 실험 워크플로'로 촉매 개발 가속화의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!