Carburante sostenibile nel laboratorio dei robot
L'intelligenza artificiale e un'infrastruttura di laboratorio automatizzata stanno accelerando notevolmente lo sviluppo di nuovi catalizzatori chimici. In questo modo, i ricercatori dell'ETH di Zurigo hanno sviluppato catalizzatori per la sintesi efficiente ed economica della fonte di energia metanolo dalla CO2.
- Per saperne di più
- Numero di commenti
In breve
- Grazie a una nuova infrastruttura di ricerca automatizzata, i chimici dell'ETH di Zurigo possono sviluppare catalizzatori più rapidamente. L'intelligenza artificiale li aiuta a farlo.
- Come primo progetto dimostrativo, i ricercatori erano alla ricerca di catalizzatori migliori per la produzione di metanolo.
- La nuova piattaforma tecnologica accelererà anche lo sviluppo di altri catalizzatori.
I catalizzatori sono i piccoli aiutanti laboriosi dei chimici. Accelerano le reazioni e riducono l'energia necessaria affinché una reazione abbia luogo. Quanto più specifico ed efficace è un catalizzatore, tanto più efficacemente vengono soppresse le reazioni collaterali indesiderate. In natura, sono gli enzimi ad amplificare in modo specifico i processi metabolici richiesti dalle quasi infinite possibilità di reazione del brodo chimico delle cellule. Negli impianti tecnici, i catalizzatori metallici sono solitamente utilizzati per aumentare la resa dei prodotti.
I ricercatori della piattaforma tecnologica svizzera Cat+ dell'ETH di Zurigo, guidati da Paco Laveille, hanno ora sviluppato un metodo digitalizzato e automatizzato end-to-end che permette di trovare nuovi e migliori catalizzatori metallici molto più velocemente di prima. Hanno combinato l'intelligenza artificiale (AI) per calcolare le composizioni promettenti dei catalizzatori con un laboratorio di sintesi e test automatizzato.
"Il tempo risparmiato con il nuovo metodo è enorme".Paco Laveille
Con questa infrastruttura, sono riusciti a produrre circa 150 catalizzatori per la produzione della fonte energetica metanolo dalla CO2 da sviluppare. I nuovi catalizzatori sono economicamente vantaggiosi e presentano alti tassi di conversione con una bassa percentuale di sottoprodotti. "Il tempo risparmiato con il nuovo metodo è enorme", riassume Laveille. "Con un approccio tradizionale, i nostri esperimenti avrebbero richiesto molti anni".
Il metanolo è considerato uno degli elementi chiave per un'economia sostenibile degli idrocarburi. Questa sostanza, strettamente correlata dal punto di vista chimico all'etanolo, può essere utilizzata sia come carburante che come materia prima per la produzione di composti organici come farmaci, plastiche o vernici. A differenza dei due gas idrogeno e metano, che possono essere utilizzati anche come fonti di energia, il liquido è molto più facile da trasportare e immagazzinare. Inoltre, l'infrastruttura di rifornimento e i motori della tecnologia a benzina esistente possono continuare a essere utilizzati con il metanolo con solo piccole modifiche.
Restringere le possibilità attraverso una preselezione intelligente
Il grande problema nella ricerca di catalizzatori ottimali per la produzione di metanolo: in teoria, esiste un numero praticamente infinito di modi di combinare gli atomi per formare un catalizzatore. "Lo spazio chimico in cui cerchiamo i catalizzatori comprende circa il 1020 opportunità (cento miliardi di miliardi). Quindi dobbiamo letteralmente trovare l'ago nel pagliaio della chimica", spiega Christophe Copéret, professore presso il Laboratorio di chimica inorganica dell'ETH di Zurigo e co-iniziatore del progetto Swiss-Cat+.
Per restringere l'enorme gamma di possibilità, i ricercatori hanno effettuato una preselezione basata sull'esperienza e sui requisiti economici. Un catalizzatore che può essere utilizzato su larga scala deve essere non solo efficace, ma anche poco costoso. I principali ingredienti attivi del catalizzatore sono stati quindi limitati ai tre metalli relativamente economici ferro, rame e cobalto.
Oltre a questi metalli principali, erano presenti tre elementi che tradizionalmente vengono aggiunti ai catalizzatori in piccole quantità come cosiddetto doping, nonché il potassio, anch'esso contenuto in molti catalizzatori. Per i materiali di supporto, i ricercatori si sono limitati a quattro ossidi metallici tipici. Moltiplicando i diversi rapporti di miscelazione, si sono ottenute 20 milioni di combinazioni possibili.
Con statistiche supportate dall'intelligenza artificiale e in fasi iterative
A questo punto è entrato in gioco un algoritmo di intelligenza artificiale che utilizza la cosiddetta ottimizzazione bayesiana per trovare le migliori soluzioni possibili. Questa forma speciale di statistica è particolarmente adatta quando si ha a disposizione solo una piccola quantità di dati. A differenza della statistica classica, la probabilità non deriva dalla frequenza relativa, che viene calcolata da molti esperimenti. Il calcolo si basa invece sulla probabilità che ci si può aspettare in base allo stato attuale delle conoscenze.
In una prima fase, l'algoritmo ha selezionato casualmente 24 composizioni di catalizzatori sulla base delle specifiche fornite per limitare la complessità. Queste sono state prodotte direttamente nell'infrastruttura di laboratorio automatizzata di Swiss Cat+ e poi testate.
Risultati rapidi e alta affidabilità
I risultati di questa selezione iniziale sono serviti ai ricercatori come punto di partenza per una previsione AI. Le composizioni previste sono state inoltre sintetizzate e testate automaticamente. In questo primo esperimento dimostrativo, gli scienziati hanno fatto completare al loro sistema integrato un totale di sei cicli di questo tipo.
Il fatto che i risultati non siano migliorati linearmente tra i vari round, ma piuttosto a passi da gigante, è stato del tutto intenzionale. Oltre a ottimizzare i risultati dei round preliminari, l'algoritmo include anche una componente esplorativa, che è stata utilizzata per inserire versioni completamente nuove di composizioni in ogni round. In questo modo, i ricercatori hanno evitato che i calcoli rimanessero bloccati in uno stretto vicolo cieco di ottimizzazione dell'ampio spazio delle possibilità.
Generazione di dati oltre la petrolchimica
Per i ricercatori, tuttavia, questo primo progetto non riguardava tanto la ricerca del miglior catalizzatore possibile per la sintesi del metanolo. "Oggi le conoscenze sui catalizzatori per la produzione di carburanti si basano ancora in gran parte sulle competenze dell'industria petrolifera", afferma l'ETH professor Copéret. "Mancano ancora dati affidabili sulle reazioni dell'industria dell'energia sostenibile", ma sono necessari affinché gli algoritmi di intelligenza artificiale e l'intelligenza umana della ricerca possano cercare in modo più mirato nel vasto spazio delle possibilità chimiche. "? proprio questo tipo di dati di alta qualità e riproducibili che il nostro laboratorio robotico supportato dall'IA sta fornendo. Essi porteranno la ricerca sui catalizzatori nel suo complesso molto più avanti", aggiunge Laveille.
Infrastruttura tecnologica complessa
"Lo Swiss-Cat+-Hub ci decide di fornire un'infrastruttura di ricerca complessa che non potremmo gestire da soli con i gruppi dei nostri istituti", spiega il professore Christophe Copéret del Dipartimento di chimica e scienze biologiche applicate dell'ETH di Zurigo. La ricerca nelle scuole universitarie dipende in larga misura dai dottorandi che rimangono solo per pochi anni. Ogni volta che un dottorando se ne va, gran parte delle competenze acquisite vanno perse. Swiss Cat+, invece, è una piattaforma tecnologica progettata per lavorare con esperti assunti a tempo indeterminato che possono ampliare continuamente le loro competenze e sviluppare ulteriormente l'infrastruttura con le tecnologie più recenti.
Iniziato nel 2019 da Copéret e Nicolai Kramer, professore all'EPFL, il Hub Svizzera-Cat+ Oggi Swiss Cat+ decide di mettere a disposizione dei ricercatori delle scuole universitarie e dell'industria infrastrutture all'avanguardia nelle due sedi di Zurigo e Losanna. Queste consentono di progettare catalizzatori con l'aiuto di strumenti di analisi dei dati AI e di produrli in laboratori automatizzati ad alto rendimento e di testarne l'efficacia. Decine di progetti dell'ETH utilizzano già le due piattaforme.
Riferimenti
Ramirez A, Lam E, Pacheco Gutierrez D, Hou Y, Tribukait H, Roch LM, Copéret C, Laveille P: Accelerated Exploration of Heterogenous CO2 Hydrogenation Catalysts by Bayesian-optimised High-throughput and Automated Experimentation. Chem Catalysis, 18 gennaio 2024, doi: pagina esterna10.1016/j.checat.2023.100888
Laveille P, Miéville P, Chatterjee S, Clerc E, Cousty JC, de Nanteuil F, Lam E, Mariano E, Ramirez A, Randrianarisoa U, Villat K, Copéret C, Cramer N: Swiss Cat+, a Data-driven Infrastructure for Accelerated Catalysts Discovery and Optimisation. Chimia 2023, 77: 154, doi: pagina esterna10.2533/chimia.2023.154