Hasta la fecha, La investigación en el campo de los catalizadores combinatorios se ha basado en descubrimientos fortuitos de combinaciones de catalizadores. Ahora, científicos de Japón han simplificado un protocolo que combina muestreo aleatorio, experimentación de alto rendimiento, y ciencia de datos para identificar combinaciones sinérgicas de catalizadores. Con este avance, Los investigadores esperan eliminar los límites impuestos a la investigación basándose en descubrimientos fortuitos y hacer que su nuevo protocolo se utilice con más frecuencia en la informática de catalizadores.

Catalizadores, o sus combinaciones, son compuestos que reducen significativamente la energía necesaria para llevar a cabo las reacciones químicas. En el campo del diseño de catalizadores combinatorios, el requisito de sinergia, donde un componente de un catalizador complementa a otro, y la eliminación de combinaciones ineficaces o perjudiciales son consideraciones clave. Sin embargo, hasta aquí, Los catalizadores combinatorios se han diseñado utilizando datos sesgados o prueba y error, o descubrimientos fortuitos de combinaciones que funcionaron. Un grupo de investigadores de Japón ahora ha tratado de cambiar esta tendencia al intentar idear un protocolo repetible que se basó en un instrumento de detección y análisis basado en software.

Su nuevo estudio, publicado en Catálisis ACS , detalla la identificación de combinaciones efectivas de catalizadores, utilizando el protocolo propuesto, para el acoplamiento oxidativo de metano (OCM). OCM es una reacción química ampliamente utilizada para convertir metano en gases útiles en presencia de oxígeno y el catalizador. Desarrollando las motivaciones detrás del estudio, Dr. Toshiaki Taniike, Profesor de la Escuela de Ciencia de los Materiales, Instituto Avanzado de Ciencia y Tecnología de Japón y autor correspondiente del estudio, dice, "El diseño del catalizador combinatorio es difícilmente generalizable, y el aspecto empírico de la investigación ha sesgado los datos de la literatura hacia combinaciones encontradas accidentalmente ".

Para derivar un conjunto de datos libre de sesgos de OCM para diseñar el protocolo, los investigadores tomaron muestras al azar de 300 catalizadores sólidos de un vasto espacio de materiales que contiene más de 36, 000 catalizadores! Detectar una cantidad tan grande de catalizadores es casi imposible para los estándares humanos. Por eso, el equipo utilizó un instrumento de detección de alto rendimiento para evaluar su desempeño en la facilitación de OCM. El conjunto de datos obtenido se utilizó para delinear el protocolo novedoso, destinado a proporcionar una guía para el diseño de catalizadores. Esto se implementó en forma de una clasificación de árbol de decisiones, que es una forma de aprendizaje automático que ayudó a comprender la eficiencia de las combinaciones de catalizadores seleccionadas, en dar un mejor rendimiento de OCM. Esta, Sucesivamente, ayudó en la elaboración de las directrices necesarias para el diseño de catalizadores.

Curiosamente, los resultados mostraron que, incluso con muestreo aleatorio, 51 de los 300 catalizadores dieron un mejor rendimiento de OCM en comparación con el proceso no catalítico alternativo. Explicando las posibles implicaciones de su descubrimiento, Dr. Keisuke Takahashi, Profesor asociado de la Universidad de Hokkaido y coautor de este estudio, dice, "La combinación de la experimentación de alto rendimiento y la ciencia de datos ya ha demostrado el poder de los macrodatos de catalizadores sin sesgos para encontrar catalizadores novedosos, así como una guía de diseño de catalizadores. También es importante señalar la esencialidad de estos enfoques para implementar un proceso tan exigente estudiar en un marco de tiempo realista. Al equipar todas las técnicas esenciales del estudio, se podrían realizar desarrollos catalizadores verdaderamente no empíricos ".

En efecto, podemos esperar junto con los científicos, que esta estrategia "catalizará" varios descubrimientos futuros de la ciencia de los materiales.