Mesmo uma simples reação química pode ser surpreendentemente complicada. Isso é especialmente verdadeiro para reações envolvendo catalisadores, que aceleram a química que faz o combustível, fertilizantes e outros bens industriais. Em teoria, uma reação catalítica pode seguir milhares de caminhos possíveis, e pode levar anos para identificar qual realmente é necessário para que os cientistas possam ajustá-lo e torná-lo mais eficiente.

Agora, os pesquisadores do Laboratório Nacional de Aceleração SLAC do Departamento de Energia e da Universidade de Stanford deram um grande passo para cortar esse emaranhado de possibilidades. Eles usaram o aprendizado de máquina - uma forma de inteligência artificial - para eliminar os caminhos de reação menos prováveis, para que possam concentrar suas análises nos poucos que restam e economizar muito tempo e esforço.

O método funcionará para uma ampla variedade de reações químicas complexas e deve acelerar drasticamente o desenvolvimento de novos catalisadores, a equipe reportou em Nature Communications .

'Uma tarefa difícil'

"Projetar um novo catalisador para acelerar uma reação química é uma tarefa muito difícil, "disse Thomas Bligaard, um cientista da equipe do SUNCAT Center for Interface Science and Catalysis, um instituto conjunto SLAC / Stanford onde a pesquisa foi realizada. "Há uma grande quantidade de trabalho experimental que normalmente envolve."

Por exemplo, ele disse, encontrar um catalisador que transforma o nitrogênio do ar em amônia - considerado um dos desenvolvimentos mais importantes do século 20 porque tornou possível a produção de fertilizantes em larga escala, ajudando a lançar a Revolução Verde - levou décadas testando várias reações, uma por uma.

Ainda hoje, com a ajuda de simulações de supercomputador que prevêem os resultados das reações aplicando modelos teóricos a enormes bancos de dados sobre o comportamento de produtos químicos e catalisadores, a busca pode levar anos, porque, até agora, ela se baseou amplamente na intuição humana para escolher possíveis vencedores entre os muitos caminhos de reação disponíveis.

"Precisamos saber qual é a reação, e quais são as etapas mais difíceis ao longo do caminho de reação, para pensar em fazer um catalisador melhor, "disse Jens Nørskov, professor da SLAC e Stanford e diretor da SUNCAT.

"Também precisamos saber se a reação produz apenas o produto que desejamos ou se também produz subprodutos indesejáveis. Basicamente, temos feito suposições razoáveis ​​sobre essas coisas, e realmente precisamos de uma teoria sistemática para nos guiar. "

Negociando a intuição humana para o aprendizado de máquina

Para este estudo, a equipe observou uma reação que transforma o gás de síntese, uma combinação de monóxido de carbono e hidrogênio, em combustíveis e produtos químicos industriais. O gás de síntese flui sobre a superfície de um catalisador de ródio, que, como todos os catalisadores, não é consumido no processo e pode ser usado continuamente. Isso desencadeia reações químicas que podem produzir uma série de produtos finais possíveis, como o etanol, metano ou acetaldeído.

"Neste caso, existem milhares de vias de reação possíveis - um número infinito, realmente - com centenas de etapas intermediárias, "disse Zachary Ulissi, pesquisador de pós-doutorado na SUNCAT. "Normalmente, o que aconteceria é que um aluno de graduação ou pesquisador de pós-doutorado iria examiná-los um de cada vez, usando sua intuição para escolher o que eles acham que são os caminhos mais prováveis. Isso pode levar anos. "

O novo método dispensa a intuição em favor do aprendizado de máquina, onde um computador usa um conjunto de regras de resolução de problemas para aprender padrões de grandes quantidades de dados e, em seguida, prever padrões semelhantes em novos dados. É uma ferramenta de bastidores em um número crescente de tecnologias, de carros autônomos a detecção de fraude e recomendações de compra online.

Remoção rápida de ervas daninhas

Os dados usados ​​neste processo vieram de estudos anteriores de produtos químicos e suas propriedades, incluindo cálculos que prevêem as energias de ligação entre os átomos com base nos princípios da mecânica quântica. Os pesquisadores estavam especialmente interessados ​​em dois fatores que determinam a facilidade com que uma reação catalítica ocorre:a força com que os produtos químicos reagentes se ligam à superfície do catalisador e quais etapas da reação apresentam as barreiras mais significativas para o avanço. Essas etapas são conhecidas como etapas de limitação de taxa.

Uma reação irá procurar o caminho que consome menos energia, Ulissi explicou, da mesma forma que um projetista de rodovias escolherá uma rota entre montanhas, em vez de perder tempo procurando uma maneira eficiente de passar pelo topo de um pico. Com o aprendizado de máquina, os pesquisadores foram capazes de analisar as vias de reação repetidamente, a cada vez eliminando os caminhos menos prováveis ​​e ajustando a estratégia de busca para a próxima rodada.

Depois que tudo foi configurado, Ulissi disse, "Demorou apenas segundos ou minutos para eliminar os caminhos que não eram interessantes. No final, havia apenas cerca de 10 barreiras de reação que eram importantes." O novo método, ele disse, tem o potencial de reduzir o tempo necessário para identificar uma via de reação de anos para meses.