Los investigadores han desarrollado un laboratorio "autónomo" que utiliza inteligencia artificial (IA) y sistemas automatizados para proporcionar análisis en profundidad de reacciones catalíticas utilizadas en la investigación y fabricación química. La nueva herramienta, llamada Fast-Cat, puede proporcionar más información en cinco días que la que es posible en seis meses de pruebas convencionales.

El artículo de investigación, "Mapeo de frente de pareto de reacción autónoma con un laboratorio de catálisis autónomo", aparece en la revista Nature Chemical Engineering. .

Lo que está en juego es el rendimiento y la selectividad de las reacciones químicas en presencia de moléculas llamadas ligandos.

El rendimiento se refiere a la eficiencia con la que una reacción química produce el producto deseado a partir de los productos químicos con los que comenzó. La selectividad se refiere al grado en que se puede hacer que una reacción química produzca un producto específico en lugar de crear múltiples productos. Los ligandos se utilizan ampliamente en catálisis, acelerando y controlando la selectividad de reacciones químicas utilizadas en procesos que van desde la química industrial hasta la fabricación farmacéutica.

Desde una perspectiva industrial, usted desea el mayor rendimiento y selectividad posibles. Debido a que los pasos específicos que se toman al realizar la reacción catalítica pueden influir tanto en el rendimiento como en la sensibilidad, los químicos industriales dedican una enorme cantidad de tiempo y esfuerzo a tratar de encontrar los parámetros necesarios para lograr el resultado de reacción más deseable.

"El problema es que las técnicas convencionales de descubrimiento y desarrollo de catalizadores requieren mucho tiempo, material y mano de obra", dice Milad Abolhasani, autor correspondiente de un artículo sobre el trabajo y profesor asociado de ingeniería química y biomolecular en la Universidad Estatal de Carolina del Norte.

"Estas técnicas se basan en gran medida en el manejo manual de muestras con reactores discontinuos, así como en la intuición y la experiencia humanas para impulsar la planificación experimental. Además de las ineficiencias materiales, este enfoque dependiente del ser humano para el desarrollo del catalizador crea una gran brecha de tiempo entre la realización de la reacción , caracterizar el producto y tomar una decisión sobre el próximo experimento. Por eso creamos Fast-Cat. Ahora podemos comprender mejor cómo funciona un ligando específico en cinco días de lo que antes era posible en seis meses".>

Fast-Cat es completamente autónomo y utiliza inteligencia artificial y sistemas automatizados para ejecutar continuamente reacciones gas-líquido a alta temperatura y alta presión. La tecnología autónoma también analiza el resultado de cada una de estas reacciones para determinar, sin intervención humana, cómo las diferentes variables afectan el resultado de cada experimento.

Fast-Cat utiliza los resultados de todos los experimentos anteriores que ha realizado (tanto exitosos como fallidos) para informar qué experimento ejecutará a continuación.

"La IA de Fast-Cat evoluciona constantemente y aprende de los experimentos que ya ha realizado", afirma Abolhasani.

En términos simples, los usuarios le hacen saber a Fast-Cat con qué ligandos y químicos precursores tiene para comenzar, y luego ven cuánto puede aprender en más de 60 experimentos.

"Dedicamos mucho tiempo a ajustar el modelo de IA de Fast-Cat para optimizar su capacidad de proporcionar la comprensión más amplia posible de cómo los diferentes parámetros afectan la selectividad y el rendimiento de las reacciones catalíticas usando un ligando específico", dice Abolhasani.

"También dedicamos mucho tiempo a garantizar que los hallazgos de Fast-Cat sean escalables. Fast-Cat lleva a cabo sus experimentos con tamaños de muestra extremadamente pequeños. Pero si queremos que sus hallazgos sean relevantes para el uso práctico, necesitábamos saber que los hallazgos de Fast-Cat Los hallazgos son válidos para reacciones realizadas a gran escala que son relevantes para la fabricación industrial".

Para las pruebas de concepto, los investigadores utilizaron Fast-Cat para caracterizar el rendimiento catalítico de seis ligandos que ya se encuentran en la literatura de investigación.

"Esta tecnología proporciona una optimización profunda de cada ligando único", afirma Dawn Mason, gerente global de innovación externa de Eastman, una empresa global de materiales especializados que apoyó el trabajo. "Por primera vez, podemos evaluar rápidamente una amplia variedad de parámetros y obtener una comprensión verdaderamente profunda de cómo influir en el rendimiento de cada ligando. Hemos más que duplicado la variedad de posibles criterios de valoración de selectividad y rendimiento para cada ligando. Increíblemente, solo tomó cinco días evaluar cada uno."

"Es realmente valioso para las industrias química y farmacéutica comprender mejor cómo influir en los procesos catalíticos que utilizan en la fabricación", afirma Jeff Carbeck, vicepresidente de innovación corporativa de Eastman. "Fast-Cat proporciona esa comprensión, y lo hace de forma rápida, eficiente y utilizando pequeñas cantidades de ligandos y precursores químicos relevantes. En otras palabras, es rápido, económico y muy eficaz".

Los investigadores han puesto el software y el hardware a disposición del público para que Fast-Cat pueda utilizarse para facilitar investigaciones adicionales.

"Esperamos que otros investigadores puedan adoptar esta tecnología para acelerar el descubrimiento de la catálisis en el mundo académico y la industria", afirma Abolhasani.

El artículo fue coautor de Jeffrey Bennett, investigador postdoctoral de NC State; Negin Orouji y Sina Sadeghi, ambos Ph.D. estudiantes de NC State; Muzammil Khan, ex investigador postdoctoral de NC State; y Jody Rodgers de Eastman.

Más información: Mapeo del frente de Pareto de reacción autónoma con un laboratorio de catálisis autónomo, Ingeniería química de la naturaleza (2024). DOI:10.1038/s44286-024-00033-5. www.nature.com/articles/s44286-024-00033-5

Información de la revista: Ingeniería Química de la Naturaleza

Proporcionado por la Universidad Estatal de Carolina del Norte