催化剂的优化,常常被认为是一个很玄幻的问题。你经常很难知道,是因为什么原因,某些性能突然就得到了大幅提高。
是因为换了溶剂?
是因为改变了催化剂煅烧温度?
还是仅仅因为,换了一个合成原料?
机器学习为我们带来了新的希望。然而,机器学习虽然在加速催化技术的发展方面表现出巨大潜力,但首先得有大量的实验数据,这也为机器学习服务于催化剂设计带来了瓶颈问题。
有鉴于此,亚琛工业大学的Franziska Schoenebeck等人,发展了一种无监督机器学习方法,可以加速识别双核钯催化剂。
钯 (I) 二聚体的稳定化是一个典型的例子。钯 (I) 二聚体的稳定往往依赖于非常小的磷化氢配体,研究人员使用机器学习来搜索钯 (I) 二聚体这一类已知配体中的模式,从而指导发现能够同样稳定二聚体的变体,最终合成了8个以前未报道的二聚体。
这种非监督机器学习最大的优势在于,不需要海量的实验数据,他可以充分利用面向特性问题的通用参数数据库,仅仅使用五个实验数据点,就能实现以上学习和预测功能。
基于该方法,研究人员从348个配体中,成功预测并实验验证了一些膦配体,包括以前从未合成过的配体,这些配体在更常见的Pd(0)和Pd(II)物种上形成双核Pd(I)络合物。
这一策略对钯催化剂中各种物种的形成机理研究起到重要作用,也为机器学习进一步结合到催化研究领域,意义重大。
参考文献:
Julian A. Hueffel et al. Accelerated dinuclear palladium catalyst identification through unsupervised machine learning. Science, 2021.
DOI: 10.1126/science.abj0999
http://doi.org/10.1126/science.abj0999