Ad oggi, la ricerca nel campo dei catalizzatori combinatori si è basata su scoperte fortuite di combinazioni di catalizzatori. Ora, scienziati giapponesi hanno semplificato un protocollo che combina il campionamento casuale, sperimentazione ad alto rendimento, e data science per identificare combinazioni sinergiche di catalizzatori. Con questa svolta, i ricercatori sperano di rimuovere i limiti posti alla ricerca facendo affidamento su scoperte casuali e che il loro nuovo protocollo venga utilizzato più spesso nell'informatica dei catalizzatori.

catalizzatori, o le loro combinazioni, sono composti che riducono significativamente l'energia necessaria per portare le reazioni chimiche al completamento. Nel campo della progettazione combinatoria di catalizzatori, il requisito della sinergia, in cui un componente di un catalizzatore è complementare a un altro, e l'eliminazione di combinazioni inefficaci o dannose sono considerazioni chiave. Però, finora, catalizzatori combinatori sono stati progettati utilizzando dati distorti o tentativi ed errori, o scoperte fortuite di combinazioni che hanno funzionato. Un gruppo di ricercatori dal Giappone ha ora cercato di cambiare questa tendenza cercando di ideare un protocollo ripetibile che si basasse su uno strumento di screening e un'analisi basata su software.

Il loro nuovo studio, pubblicato in Catalisi ACS , dettagli l'identificazione di efficaci combinazioni di catalizzatori, utilizzando il protocollo proposto, per l'accoppiamento ossidativo del metano (OCM). L'OCM è una reazione chimica ampiamente utilizzata utilizzata per convertire il metano in gas utili in presenza di ossigeno e catalizzatore. Elaborando le motivazioni alla base dello studio, Dottor Toshiaki Taniike, Professore presso la Scuola di Scienza dei Materiali, Japan Advanced Institute of Science and Technology e corrispondente autore dello studio, dice, "La progettazione combinatoria del catalizzatore è difficilmente generalizzabile, e l'aspetto empirico della ricerca ha distorto i dati della letteratura verso combinazioni trovate casualmente".

Per derivare un set di dati privo di pregiudizi da OCM per ideare il protocollo, i ricercatori hanno campionato casualmente 300 catalizzatori solidi da un vasto spazio di materiali che ne conteneva più di 36, 000 catalizzatori! Lo screening di un numero così elevato di catalizzatori è quasi impossibile per gli standard umani. Quindi, il team ha utilizzato uno strumento di screening ad alto rendimento per valutare le proprie prestazioni nel facilitare l'OCM. Il set di dati ottenuto è stato utilizzato per delineare il nuovo protocollo, finalizzato a fornire una linea guida per la progettazione del catalizzatore. Questo è stato implementato sotto forma di una classificazione dell'albero decisionale, che è una forma di apprendimento automatico che ha aiutato a comprendere l'efficienza delle combinazioni di catalizzatori selezionate, nel dare una migliore resa OCM. Questo, a sua volta, aiutato nella stesura delle linee guida necessarie per la progettazione del catalizzatore.

interessante, i risultati hanno mostrato che, anche con campionamento casuale, 51 dei 300 catalizzatori hanno fornito una resa OCM migliore rispetto al processo alternativo non catalitico. Spiegando le potenziali implicazioni della loro scoperta, Dottor Keisuke Takahashi, Professore Associato presso l'Università di Hokkaido e coautore di questo studio, dice, "La combinazione di sperimentazione ad alto rendimento e scienza dei dati ha già dimostrato la potenza dei big data del catalizzatore privi di bias nella ricerca di nuovi catalizzatori, nonché una linea guida per la progettazione del catalizzatore. È anche importante affermare l'essenzialità di questi approcci per l'implementazione di un così impegnativo studiare in un lasso di tempo realistico Dotando tutte le tecniche essenziali dello studio, potrebbero essere realizzati sviluppi catalizzatori veramente non empirici."

Infatti, possiamo sperare, insieme agli scienziati, che questa strategia "catalizzerà" diverse future scoperte della scienza dei materiali.