催化剂是化学的勤劳小帮手。它们加速反应并减少反应发生所需的能量。催化剂越专一、越有效，就越能有效地抑制任何不希望的副反应。在自然界中，酶的作用是从细胞内化学汤几乎无限的反应可能性中专门促进所需的代谢过程。在化工厂中，通常使用金属催化剂来提高产品产量。

由 Paco Laveille 领导的苏黎世联邦理工学院 Swiss Cat+ 技术平台的研究人员现已开发出一种完全数字化和自动化的方法，使他们能够比以前更快地找到新的、更好的金属催化剂。他们的流程包括用于计算有前景的催化剂成分的人工智能(AI)以及自动化合成和测试实验室。

有了这个基础设施，团队用了不到六周的时间就成功开发了约 150 种用于从 CO 2生产甲醇的催化剂组合物。最好的催化剂具有成本效益，并且具有高转化率和低比例的副产物。“这种新方法节省了大量时间，”拉维尔说。“如果采用传统方法，我们的实验将花费数年时间。”

甲醇被认为是可持续碳氢化合物经济的关键要素之一。该物质是乙醇(即饮用酒精)的化学近亲，既可用作燃料，也可用作生产有机化合物(如药物、塑料或油漆)的原材料。由于甲醇是液体，因此比另外两种能源气态氢和甲烷更容易运输和储存。更重要的是，在现有的供应基础设施和当今汽油技术的发动机中使用甲醇只需要进行很小的修改。

通过巧妙的预选缩小可能性范围

在寻找甲醇生产的最佳催化剂时，存在一个大问题：理论上，原子可以以几乎无限多种方式组合形成催化剂。“我们正在寻找催化剂的化学空间包含大约 10 20种可能性——即 1000 亿。因此，我们实际上是在化学大海捞针。”苏黎世联邦理工学院无机化学实验室教授、Swiss Cat+ 项目联合发起人 Christophe Copéret 解释道。

为了缩小巨大的可能性范围，研究人员根据经验和经济要求进行了预选。可以大规模使用的催化剂不仅需要有效而且便宜。因此，催化剂的主要活性成分仅限于三种相对便宜的金属：铁、铜和钴。

除了这些主要金属之外，研究人员还考虑了传统上出于掺杂目的而少量添加到催化剂中的三种元素，以及许多催化剂中也含有的钾。至于载体材料，研究人员仅限于四种典型的金属氧化物。乘以不同的混合比例，仍然会产生 2000 万种可能的组合。

利用人工智能支持的统计数据采取迭代步骤

此时，研究人员引入了一种人工智能算法，该算法使用所谓的贝叶斯优化来找到最佳的解决方案。这种特殊的统计形式特别适合只有少量数据可用的情况。与经典统计学不同，概率并不是根据大量实验计算出的相对频率得出的。相反，计算考虑了基于当前知识状态可以预期的概率。

在第一轮中，算法随机选择了 24 种催化剂成分，这些成分符合为限制复杂性而制定的规格。这些催化剂直接使用 Swiss Cat+ 自动化实验室基础设施生产，然后进行测试。

快速提供大量高度可靠的结果

最初选择的结果为研究人员提供了人工智能预测的起点;由此预测的催化剂组成依次自动合成和测试。对于第一次演示测试，科学家们让他们的集成系统完成了总共六轮这样的测试。

事实上，各轮之间的结果不是以线性方式而是以跳跃式的方式改善，这完全是有意为之：该算法不仅优化了早期轮次的结果，还包括一个探索性组件，可以为每个轮次提供全新的组合。圆形并了解化学空间。这就是研究人员如何防止计算陷入所有可能性中的优化死胡同的。

生成石化产品以外的数据

然而，在第一个项目中，研究人员主要关心的并不是找到用于甲醇合成的最佳催化剂。“目前，有关燃料生产催化剂的知识主要基于石油行业的专业知识，”科佩雷说。“当谈到可持续能源行业的使用反应时，仍然很大程度上缺乏可靠的数据。” 然而，人工智能算法和人类研究智能需要这些数据，然后才能在广阔的化学可能性空间中以更有针对性的方式进行搜索。“这正是我们的人工智能辅助机器人实验室现在提供的高质量、可重复的数据。催化剂研究肯定会取得长足的进步，”Laveille 补充道。