化学家在美国能源部布鲁克海文国家实验室已经开发出一种新的机器学习(ML)框架,可以瞄准哪些步骤多步化学转化应该调整以提高生产效率。这种方法可以帮助指导催化剂的设计——;化学“交易撮合者”,加速反应。
团队开发的方法分析一氧化碳(CO)的转换使用铜基甲醇催化剂。反应包括七相当简单的基本步骤。
“我们的目标是识别哪些基本步骤的反应网络或子集步骤控制催化活性,”蕴结廖说,第一作者的一篇论文发表在《华尔街日报》描述方法催化科学与技术欧洲杯线上买球。廖是石溪大学的研究生一直在与催化反应和结构(CRS)的科学家小组在布鲁克海文实验室的化学部门。
CRS,刘洋萍化学家的工作,说,“我们使用这个反应为例ML框架方法,但你可以把任何反应到这个框架一般。”
针对激活能量
想象一个多步化学反应作为一个过山车不同高度的山。每个山的高度代表从一个步骤所需要的能量。催化剂降低这些“激活壁垒”,使反应物更容易走到一起或者允许他们这样做在较低温度或压力。加快整体反应,催化剂必须目标步骤或措施有最大的影响。
传统上,科学家们寻求改善这样的反应将会计算出每个激活屏障的变化一次一个可能会影响整体产量。这种类型的分析可以确定哪些步骤是“病原反应”,哪些步骤确定反应选择性——;也就是说,反应物是否将所需的产品或向下继续另一个途径不需要的副产品。
但是,刘据,“这些估计是非常粗略的有很多错误的一些组织的催化剂。对催化剂设计和筛选造成很大的伤害,这是我们要做什么,”她说。
新的机器学习框架旨在提高这些估计科学家可以更好地预测催化剂将如何影响反应机制和化学输出。
“现在,而不是移动一个屏障同时我们正在所有的障碍。我们使用机器学习的数据集的解释,“廖说。
团队说,这种方法提供了更可靠的结果,包括步骤反应如何一起工作。
”在反应条件下,这些步骤不是孤立或分开;他们都是联系在一起的。”刘说。“如果你只做一步一个脚印,你错过很多信息——;基本步骤之间的相互作用。这就是被捕获在这个发展,”她说。
建筑模型
科学家们开始通过构建一个数据集来训练他们的机器学习模型。数据集是基于“密度泛函理论(DFT)计算所需的活化能变换一个又一个的原子排列的七个步骤的反应。然后科学家们跑计算机模拟探索将会发生什么,如果他们改变了所有七——同时进行活化障碍;一些上升,有些下降,有些分别,有些成对。