A data, a pesquisa no campo de catalisadores combinatórios tem se baseado em descobertas fortuitas de combinações de catalisadores. Agora, cientistas do Japão simplificaram um protocolo que combina amostragem aleatória, experimentação de alto rendimento, e ciência de dados para identificar combinações sinérgicas de catalisadores. Com esta descoberta, os pesquisadores esperam remover os limites colocados na pesquisa, contando com descobertas aleatórias e ter seu novo protocolo usado com mais frequência em informática de catalisadores.

Catalisadores, ou suas combinações, são compostos que reduzem significativamente a energia necessária para conduzir as reações químicas à conclusão. No campo do projeto de catalisador combinatório, o requisito de sinergia - onde um componente de um catalisador complementa outro - e a eliminação de combinações ineficazes ou prejudiciais são considerações fundamentais. Contudo, até aqui, catalisadores combinatórios foram projetados usando dados tendenciosos ou tentativa e erro, ou descobertas fortuitas de combinações que funcionaram. Um grupo de pesquisadores do Japão agora buscou mudar essa tendência, tentando criar um protocolo repetível que se baseasse em um instrumento de triagem e análise baseada em software.

Seu novo estudo, publicado em Catálise ACS , detalha a identificação de combinações eficazes de catalisadores, usando o protocolo proposto, para o acoplamento oxidativo do metano (OCM). OCM é uma reação química amplamente utilizada para converter metano em gases úteis na presença de oxigênio e do catalisador. Elaborando as motivações por trás do estudo, Dr. Toshiaki Taniike, Professor da Escola de Ciência dos Materiais, Instituto Avançado de Ciência e Tecnologia do Japão e autor correspondente do estudo, diz, "O projeto do catalisador combinatório é dificilmente generalizável, e o aspecto empírico da pesquisa desviou os dados da literatura para combinações encontradas acidentalmente. "

Para derivar um conjunto de dados livre de polarização de OCM para desenvolver o protocolo, os pesquisadores amostraram aleatoriamente 300 catalisadores sólidos de um vasto espaço de materiais contendo mais de 36, 000 catalisadores! A triagem de um número tão grande de catalisadores é quase impossível para os padrões humanos. Portanto, a equipe usou um instrumento de triagem de alto rendimento para avaliar seu desempenho na facilitação de OCM. O conjunto de dados obtido foi usado para delinear o novo protocolo, com o objetivo de fornecer uma diretriz para o projeto de catalisadores. Isso foi implementado na forma de uma classificação de árvore de decisão, que é uma forma de aprendizado de máquina que ajudou a compreender a eficiência das combinações de catalisador selecionadas, em dar um melhor rendimento de OCM. Esse, por sua vez, ajudou na elaboração das diretrizes de projeto de catalisador necessárias.

Interessantemente, os resultados mostraram que, mesmo com amostragem aleatória, 51 dos 300 catalisadores deram um melhor rendimento de OCM quando comparado ao processo não catalítico alternativo. Explicando as implicações potenciais de sua descoberta, Dr. Keisuke Takahashi, Professor Associado da Universidade de Hokkaido e co-autor deste estudo, diz, "A combinação de experimentação de alto rendimento e ciência de dados já demonstrou o poder do big data de catalisador livre de polarização em encontrar novos catalisadores, bem como uma diretriz de design de catalisador. Também é importante afirmar a essencialidade dessas abordagens para a implementação de tal estudar em um período de tempo realista. Ao equipar todas as técnicas essenciais do estudo, desenvolvimentos de catalisadores verdadeiramente não empíricos poderiam ser realizados. "

De fato, podemos esperar, junto com os cientistas, que esta estratégia irá 'catalisar' várias descobertas futuras da ciência dos materiais.