[ad_1]
(noticias nanowerk) Los investigadores han desarrollado un laboratorio “autónomo” que utiliza inteligencia artificial (IA) y sistemas automatizados para realizar análisis detallados de reacciones catalíticas utilizadas en la investigación y producción química. La nueva herramienta, llamada Fast-Cat, puede proporcionar más información en cinco días de la que sería posible en seis meses de pruebas tradicionales.
Los resultados fueron publicados en ingeniería química natural (“Mapeo del frente de Pareto de reacción autónoma con un laboratorio de catálisis autónomo”).
Se trata del rendimiento y 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 una reacción química puede producir un producto específico en lugar de producir múltiples productos. Los ligandos se utilizan comúnmente en catálisis para acelerar y controlar la selectividad de reacciones químicas utilizadas en procesos que van desde la química industrial hasta la fabricación de productos farmacéuticos.
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 afectar tanto el rendimiento como la sensibilidad, los químicos industriales invierten enormes cantidades de tiempo y esfuerzo en encontrar los parámetros necesarios para lograr el mejor resultado de reacción posible.
«El problema es que las técnicas tradicionales para descubrir y desarrollar 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 experiencia humanas para impulsar el diseño experimental. Además de las ineficiencias materiales, este enfoque dependiente del ser humano para el desarrollo de catalizadores da como resultado un gran lapso de tiempo entre realizar la reacción, caracterizar el producto y decidir el siguiente experimento.
“Por eso desarrollamos Fast-Cat. Ahora podemos comprender mejor el rendimiento de un ligando determinado 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 realizar continuamente reacciones gas-líquido a alta temperatura y alta presión. La tecnología autónoma también analiza los resultados 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 realizados anteriormente (tanto éxitos como fracasos) para informar qué experimento se realizará 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 dicen a Fast-Cat con qué ligandos y químicos precursores comenzar, y luego ven cuánto puede aprender en 60 experimentos.
«Hemos invertido mucho tiempo en ajustar el modelo de IA de Fast-Cat para optimizar su capacidad de proporcionar la comprensión más completa de cómo los diferentes parámetros afectan la selectividad y el rendimiento de las reacciones catalíticas utilizando un ligando particular», dice Abolhasani. “También hemos dedicado mucho tiempo a garantizar que los resultados de Fast-Cat sean escalables. Fast-Cat lleva a cabo sus experimentos con muestras de tamaño extremadamente pequeño. Pero si queremos que sus resultados sean relevantes para una aplicación práctica, necesitamos saber que los resultados de Fast-Cat se aplican a reacciones llevadas a cabo a gran escala y 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 permite una optimización profunda de cada ligando individual», dice 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 variedad de parámetros y obtener una comprensión realmente profunda de cómo podemos influir en el rendimiento de cada ligando. Duplicamos con creces el rango de posibles criterios de selectividad y rendimiento para cada ligando estudiado. Increíblemente, sólo tomó cinco días evaluar a cada individuo”.
«Es realmente valioso que las industrias química y farmacéutica comprendan mejor cómo pueden influir en los procesos catalíticos que utilizan en la fabricación», afirmó Jeff Carbeck, vicepresidente de innovación corporativa de Eastman. Fast-Cat proporciona esta comprensión: 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 futuras investigaciones.
«Esperamos que otros investigadores puedan adoptar esta tecnología para acelerar el descubrimiento de la catálisis en la ciencia y la industria», afirma Abolhasani.
[ad_2]