日本高级科学技术研究所 从一个大的材料空间中随机取样300种四元催化剂，通过高通量实验系统地评估它们相对于OCM的性能，然后进行机器学习，以识别无偏差数据集，从而了解催化剂性能的基本模式，最终用于进一步的催化剂发现
信用:JAIST 迄今为止，组合催化剂领域的研究依赖于催化剂组合的偶然发现
现在，日本科学家已经简化了一个结合随机取样、高通量实验和数据科学的方案，以确定催化剂的协同组合
有了这一突破，研究人员希望通过依靠偶然的发现来消除对研究的限制，并使他们的新方案更经常地用于催化剂信息学
催化剂或它们的组合是显著降低驱动化学反应完成所需能量的化合物
在组合催化剂设计领域，协同作用的要求——催化剂的一种组分补充另一种组分——以及消除无效或有害的组合是关键考虑因素
然而，到目前为止，组合催化剂的设计使用的是有偏见的数据、试错法或偶然发现的有效组合
一组来自日本的研究人员现在试图改变这种趋势，他们试图设计一种可重复的方案，该方案依赖于筛查工具和基于软件的分析
他们的新研究发表在《美国化学学会催化》杂志上，详细介绍了使用所提出的方案来鉴定甲烷氧化偶联的有效催化剂组合(OCM)
OCM是一种广泛使用的化学反应，用于在氧气和催化剂的存在下将甲烷转化为有用的气体
阐述这项研究背后的动机
日本高级科学技术研究所材料科学学院的教授、该研究的相应作者Toshiaki Taniike说，“组合催化剂设计很难推广，该研究的实证方面使文献数据偏向偶然发现的组合
" 为了从OCM获得一个无偏差的数据集来设计该方案，研究人员从一个包含36000多种催化剂的巨大材料空间中随机抽取了300种固体催化剂。按照人类的标准，筛选如此大量的催化剂几乎是不可能的
因此，该团队使用高通量筛选工具来评估他们在促进OCM的表现
获得的数据集用于概述新方案，旨在为催化剂设计提供指导
这是以决策树分类的形式实现的，这是一种机器学习的形式，有助于理解所选催化剂组合的效率，从而给出更好的OCM产率
这反过来有助于起草所需的催化剂设计指南
有趣的是，结果显示，即使随机取样，300种催化剂中的51种与替代的非催化方法相比给出了更好的OCM产率
解释他们的发现的潜在含义，博士
北海道大学副教授、这项研究的共同作者高桥敬介说:“高通量实验和数据科学的结合已经证明了无偏差催化剂大数据在寻找新催化剂和催化剂设计指南方面的力量
同样重要的是，要说明这些方法对于在现实的时间框架内实施这样一项要求很高的研究的重要性
通过装备研究的所有基本技术，可以实现真正非经验的催化剂开发
" 事实上，我们可以和科学家们一起希望，这一策略将“催化”未来几项材料科学发现
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
