Alat pembelajaran mesin tanpa pengawasan dapat mempercepat penemuan katalis |  Riset
News

Alat pembelajaran mesin tanpa pengawasan dapat mempercepat penemuan katalis | Riset

Menggabungkan pembelajaran mesin dengan deskriptor yang diturunkan secara komputasi telah memungkinkan para ilmuwan untuk menemukan contoh baru dari kelas katalis khusus hanya dengan menggunakan beberapa titik data eksperimental. Tim yang dipimpin oleh Franziska Schoenebeck dari RWTH Aachen University di Jerman mengembangkan alur kerja yang mengidentifikasi 21 ligan fosfin yang dapat membentuk kompleks paladium(I) dinuklear dengan geometri tertentu dan stabilitas udara pada spesies paladium(0) dan paladium(II) yang lebih umum. .1

‘Dimer-dimer ini adalah katalis yang sangat menjanjikan dengan reaktivitas yang berbeda relatif terhadap sebagian besar katalis berbasis paladium yang umum digunakan,’ komentar Tobias Gensch dari TU Berlin, Jerman, yang tidak terlibat dalam penelitian ini. ‘Namun, kimia mereka belum dipahami dengan baik karena sintesisnya tidak dapat diprediksi dan pengaruh ligan pada stabilitas dimer tidak diketahui.’ Pendekatan baru memungkinkan para peneliti untuk memprediksi ligan yang menstabilkan dimer paladium(I) dan mensintesis beberapa contoh baru dari kompleks ini, katanya.

Menemukan katalis yang efisien adalah kunci dari banyak inovasi dalam kimia, tetapi spesies yang berbeda memiliki aktivitas dan selektivitas yang berbeda, sehingga menemukan senyawa yang tepat merupakan tantangan. ‘Memprediksi spesiasi katalis secara akurat, pada prinsipnya, membutuhkan pengetahuan yang tepat tentang semua spesies yang dapat terbentuk dalam kondisi tertentu dan energi relatifnya – tugas yang menakutkan!’ kata Marc-Etienne Moret, ahli kimia organologam di Universitas Utrecht di Belanda.

Itu sebabnya ahli kimia biasanya mengandalkan trial and error, menguji ligan yang menurut mereka bisa bekerja. ‘Para ilmuwan juga telah mengembangkan peta untuk mengklasifikasikan ligan menurut sifatnya; ini dapat membantu mereka mengidentifikasi kandidat yang menjanjikan secara visual,’ tambah Moret. Tetapi dalam beberapa kasus, metode ini tidak membantu. Hasil baru menunjukkan bahwa pembelajaran mesin dapat berhasil memprediksi ligan di mana baik intuisi maupun inspeksi visual tidak akan berhasil, katanya. ‘Ini bisa mempercepat pengembangan katalis baru dengan mengidentifikasi target yang menjanjikan sebelum membuat dan mengujinya secara ekstensif di lab.’

Para ilmuwan pertama-tama menggunakan algoritma untuk menyaring 348 ligan berdasarkan sifat umumnya dan kemudian melakukan pengelompokan tambahan dengan memperkenalkan data spesifik masalah yang diperoleh dari perhitungan teori fungsi kepadatan. Strategi ini memungkinkan mereka untuk mengelompokkan kumpulan data yang besar menjadi himpunan bagian yang lebih kecil dengan kesamaan yang lebih besar, yang disesuaikan dengan masalah yang dihadapi. Tim kemudian memverifikasi beberapa ligan yang diprediksi secara eksperimental, termasuk ligan yang belum pernah disintesis sebelumnya, dan menggunakannya untuk membuat dimer paladium(I) baru.

Gensch mencatat bahwa sistem dapat mengidentifikasi ligan baru hanya menggunakan lima titik data eksperimental. ‘Pendekatan pembelajaran mesin lainnya seperti pemodelan regresi membutuhkan lebih banyak data sebagai input,’ katanya. ‘Kemampuan untuk bekerja dengan begitu sedikit data dihasilkan dari penggunaan gabungan database ligan tujuan umum dan deskriptor khusus masalah yang sangat informatif, dipasangkan dengan pendekatan pengelompokan dua tahap yang sederhana, namun kuat.’

‘Keakuratan prediksi algoritme luar biasa,’ kata Moret. ‘Ini menyarankan ligan yang mungkin tidak akan pernah diuji. Metodologi ini berpotensi membantu memecahkan banyak masalah terkait yang data empiris atau komputasinya ada tetapi belum membentuk gambaran yang dapat dipahami secara intuitif.’

Posted By : totobet