「自動駕駛實驗室」是未來？

今年 1 月底，荷蘭阿姆斯特丹大學開發自主化學合成 AI 機器人。一周內，可以優化大約 10~20 個分子的合成。這需要博士生幾個月的時間。

還有去年 DeepMind 團隊開發的自主實驗室 ，17 天自主合成 41 種新化合物。

卡內基梅隆大學的 ，自主設計、規劃和執行復雜的科學實驗……

現在，來自美國北卡羅來納州立大學和全球特種材料公司伊士曼化學公司（Eastman Chemical Company）合作，開發了一個「自動駕駛」催化實驗室：Fast-Cat，利用 AI 和自動化系統，對化學研究和制造中使用的催化反應進行深入分析。

Fast-Cat 可以在五天內提供比 6 個月的傳統測試更多的信息。

Fast-Cat 是完全自主的，利用人工智能和自動化系統連續進行高溫、高壓、氣液反應。自主技術還分析每個反應的輸出，以確定（無需人工干預）不同變量如何影響每個實驗的結果。

麻省理工學院的段辰儒博士告訴 ScienceAI，「Fast-Cat 展示了貝葉斯優化和高通量實驗的有機結合，幫助化學家更加高效的篩選過渡金屬催化劑中的配體。我已經可以暢想類似的高通量實驗工作流將在全新催化劑設計，尤其是在找到當前貴金屬催化材料更為綠色的替代中發揮重要的作用?！?/span>

相關研究以「Autonomous reaction Pareto-front mapping with a self-driving catalysis laboratory」為題，于 2024 年 2 月 27 日發表在《Nature Chemical Engineering》雜志上。

傳統的催化研究耗時耗力

配體廣泛用于催化，加速和控制從工業化學到制藥制造等過程中化學反應的選擇性。

配體在過渡金屬介導的均相催化劑的化學轉化中起著至關重要的作用。盡管配體在均相催化中的作用無可爭議，但配體的發現和開發卻是一項極具挑戰和資源密集型的工作。

從行業角度來看，希望獲得盡可能高的產量和選擇性。在進行催化反應時采取的具體步驟會影響產率和靈敏度，因此工業化學家花費大量時間和精力試圖找到實現最理想反應結果所需的參數。

銠 (Rh) 催化的烯烴加氫甲?；a直鏈和支鏈醛是當代工業過程中的一種重要均相反應，具有廣泛的應用范圍，從日用化學品到特種藥品和香料。

「問題在于，傳統的催化劑發現和開發技術是時間、材料和勞動力密集型的?！乖撗芯康耐ㄓ嵶髡摺⒈笨_來納州立大學化學和生物分子工程副教授 Milad Abolhasani 說。

這些技術在很大程度上依賴于間歇式反應器的手動樣品處理，以及人類的直覺和經驗來推動實驗計劃。除了材料效率低下之外，這種依賴于人工的催化劑開發方法在執行反應、表征產品和做出下一個實驗的決定之間產生了很大的時間差距。

Abolhasani 說，「這就是我們創建 Fast-Cat 的原因。我們現在能夠在五天內更好地了解特定配體的表現，以前可能需要 6 個月。」

圖 1：已開發的自動駕駛催化實驗室技術示意圖。（來源：論文）

自動駕駛實驗室研究進展

使用自動駕駛實驗室 (Self-driving laboratory，SDL) 進行閉環自主反應探索是一項快速新興的技術，用于加速材料和分子發現和開發。與傳統的手動實驗策略相比，這種自主實驗策略可以加速多目標工藝優化，以滿足特定工藝要求。

SDL 的核心在于由機器學習 (ML) 算法編排的實驗數據的自動生成（自動化）。在每次實驗中，SDL 的大腦（即 ML 算法）都會預測系統響應，并迭代地獲取一組改進的反應條件，直到達到預期目標。

由于缺乏過渡金屬催化均相催化的綜合實驗數據和元數據，因此需要開發強大的實驗平臺來生成高質量的大數據和可擴展的實驗數據，以利用 SDL 的數據科學工具。

流動反應器在生成大量高質量實驗數據方面具有許多優勢，這些數據可以輸入到 SDL 的數據科學工具中，從而促進加速催化劑的發現和開發。

基于實時實驗數據見解快速迭代、探索和優化催化劑性能的能力是配備流動反應器的 SDL 提供的主要優勢。

「自動駕駛」催化實驗室：Fast-Cat

在此，研究人員提出了一種用于催化加速和測試的全自動自動駕駛流體技術（Fast-Cat）。

Fast-Cat 采用閉環均相催化系統，利用流動化學平臺自主研究和加速催化劑/配體系統的探索。Fast-Cat 結合了模塊化氣液流動反應器、在線反應表征、先進的過程自動化和機器學習技術，以加速特種和精細化學品的配體發現、催化劑基準測試和工藝開發。

具體來說，研究人員利用 Fast-Cat 在銠和各類磷基配體存在下對合成氣（CO 和 H2）與烯烴（1-辛烯）之間的加氫甲酰化反應進行快速帕累托前沿（Pareto-front）識別。

在對 Fast-Cat 與大型傳統間歇反應器的硬件進行開發、表征和基準測試后，研究人員用它來快速繪制烯烴加氫甲酰化的配體-區域選擇性-產率（ligand–regioselectivity–yield）關系。

在僅 5 天的連續自主實驗（45 個反應）內，無需人工干預，Fast-Cat 通過快速識別 1-辛烯加氫甲?；腥魏嗡枧潴w的帕累托前沿，展示了其強大功能。

Fast-Cat 能夠在人為干預最少的情況下，進行自主配體基準測試和多目標催化劑性能評估。

Fast-Cat 使用之前所有實驗的結果（包括成功的和失敗的），來決定下一步要做哪個實驗。

「Fast-Cat 的人工智能不斷發展，從已經進行的實驗中學習，」Abolhasani 說。

通俗地說，用戶讓 Fast-Cat 知道它必須從哪些配體和前體化學物質開始，然后通過 60 多個實驗看看它能學到多少東西。

「我們花了很多時間微調 Fast-Cat 的 AI 模型，來優化它，從而盡可能廣泛地了解不同參數如何影響使用特定配體的催化反應的選擇性和產率?！笰bolhasani 說。

Fast-Cat 的硬件

Fast-Cat 的自動化流動化學平臺包括五個模塊，包括前體裝載/配制、前體再填充、流動反應器、反應采樣和使用氣相色譜法的在線表征（GC）。

Fast-Cat 的 ML 大腦

Fast-Cat 的數字組件包括流動加氫甲?；磻淖詣訑祿幚砗妥詣訉嶒炦x擇。Fast-Cat 的 ML 序列首先讀取先前評估的實驗條件的內部數據庫。

然后，使用 Fast-Cat 生成的實驗數據自動創建當前反應系統的置信模型 (DNN)。

研究使用的主要采集函數是批處理噪聲預期超體積改進（qNEHVI），這是相對于經典貝葉斯單目標預期改進的多目標策略。

為了進行概念驗證測試，研究人員使用 Fast-Cat 來表征研究文獻中已發現的六種配體的催化性能。報告了所選加氫甲?；潴w的六個完整帕累托前沿優化活動的反應數據和元數據，包括所有測試的反應。

Abolhasani 說，「我們還花了很多時間來確保 Fast-Cat 的研究結果具有可擴展性。Fast-Cat 以極小的樣本量進行實驗。但如果我們想讓它的發現與實際應用相關，我們需要知道 Fast-Cat 的發現適用于與工業制造相關的大規模反應?！?/span>

為了證明 Fast-Cat 的知識可擴展性，研究人員選擇具有高和低區域選擇性值以及產率高于 50% 的配體和加氫甲?；磻獥l件在間歇反應器（10 毫升高壓釜）中進行測試。

知識可擴展性結果表明，生成的知識可以直接從流程轉移到間歇反應器，并保持一致的反應結果。這一結果縮小了實驗室規模的 SDL 驅動的發現與行業相關的擴大生產之間的知識轉移和可擴展性差距。

此外，研究還重點介紹了 Fast-Cat 的一個方面，即生成高質量的實驗數據，用于構建所研究的均相催化反應的數字孿生。使用 Fast-Cat 內部生成的實驗數據訓練的數字孿生作為虛擬表示，有助于理解潛在的反應機制。然后，利用從數字孿生中收集的信息，探索了控制產物醛產率和區域選擇性的關鍵工藝參數。

加速學術界和工業界的催化發現

由于 Fast-Cat 是模塊化的，未來與機器人化學工作站和其他自動化工具的集成將有助于擴展可用于反應空間探索的材料庫，從而允許離散變量篩選和優化活動。

論文共同作者、全球特種材料公司伊士曼（Eastman）的全球外部創新經理 Dawn Mason 說：「我們第一次能夠快速評估各種參數，并真正深入了解如何影響每個配體的性能。令人難以置信的是，我們只花了五天的時間來評估每個項目。」

伊士曼企業創新副總裁 Jeff Carbeck 表示：「對于化學和制藥行業來說，更好地了解如何影響其在制造過程中使用的催化過程具有真正的價值。Fast-Cat 提供了這種理解，并且快速、高效，同時使用少量的相關配體和化學前體。換句話說，它快速、廉價且非常有效。」

研究人員已將軟件和硬件公開，以便可以使用 Fast-Cat 來促進更多研究。

「我們希望其他研究人員能夠采用這項技術來加速學術界和工業界的催化發現?！笰bolhasa說

參考內容：https://phys.org/news/2024-02-ai-driven-lab-catalysis.html

https://news.ncsu.edu/2024/02/ai-driven-lab-speeds-catalysis-research/