Robotlab voor duurzame brandstof

Bij ETHZ versnellen een gerobotiseerd laboratorium en AI de ontwikkeling van katalysatoren voor methanol-productie.

Onlangs berichtte Robot Magazine dat de Universiteit van Amsterdam een autonome robot voor chemische synthese heeft ontwikkeld, die wordt aangestuurd met behulp van kunstmatige intelligentie (AI). Ook de Eidgenössische Technische Hochschule Zürich (ETHZ) beschikt nu over een nieuwe geautomatiseerde onderzoeksinfrastructuur. Kunstmatige intelligentie helpt scheikundigen hier sneller katalysatoren ontwikkelen. Als eerste demonstratieproject zochten de onderzoekers naar betere katalysatoren voor de productie van methanol. Het nieuwe technologieplatform zal ook de ontwikkeling van andere katalysatoren versnellen.

Katalysatoren

Katalysatoren versnellen reacties en verminderen de energie die nodig is om een reactie te laten plaatsvinden. Hoe specifieker en effectiever een katalysator is, des te effectiever worden ongewenste nevenreacties onderdrukt. In de natuur versterken enzymen specifiek de benodigde stofwisselingsprocessen. Metaalkatalysatoren worden meestal gebruikt in technische systemen om de productopbrengst te verhogen.

Met de gedigitaliseerde en geautomatiseerde methode kunnen de Zwitserse onderzoekers veel sneller dan voorheen nieuwe en betere metaalkatalysatoren kunnen vinden. Om dit te doen, combineerden ze kunstmatige intelligentie (AI) om veelbelovende katalysatorsamenstellingen te berekenen met een geautomatiseerd synthese- en testlaboratorium.

Met deze infrastructuur wisten ze binnen zes weken zo’n 150 katalysatoren te ontwikkelen voor de productie van methanol uit CO2. De nieuwe katalysatoren zijn betaalbaar en vertonen hoge conversiepercentages met een laag aandeel bijproducten. De tijdsbesparing door de nieuwe methode is groot. Met een traditionele aanpak zouden de experimenten jaren hebben geduurd.

Slimme voorselectie

Theoretisch zijn er ontelbare manieren om atomen te combineren om een katalysator voor de productie van methanol te vormen. De chemische ruimte waarin onderzoekers naar katalysatoren zoeken, bevat ongeveer 1020 mogelijkheden (honderden miljarden). Om dit scala te beperken, hebben de onderzoekers een voorselectie gemaakt op basis van ervaring en economische vereisten. Een katalysator die op grote schaal kan worden ingezet, moet niet alleen effectief zijn, maar ook goedkoop. De belangrijkste actieve ingrediënten van de katalysator waren daarom beperkt tot de drie relatief goedkope metalen ijzer, koper en kobalt.

Behalve deze hoofdmetalen waren er drie elementen die traditioneel in kleine hoeveelheden in katalysatoren worden gemengd als zogenaamde doping. Hetzelfde geldt voor kalium, dat ook in veel katalysatoren zit. Als het om dragermaterialen ging, beperkten de onderzoekers zich tot vier typische metaaloxiden. Vermenigvuldigd met verschillende mengverhoudingen waren er nog steeds 20 miljoen mogelijke combinaties.

Kunstmatige intelligentie

Hier kwam een AI-algoritme in beeld dat zogenaamde Bayesiaanse optimalisatie gebruikt om de best mogelijke oplossingen te vinden. Deze bijzondere vorm van statistiek is vooral geschikt als slechts een kleine hoeveelheid data beschikbaar is. Anders dan in de klassieke statistiek wordt de waarschijnlijkheid niet afgeleid van de relatieve frequentie, die wordt berekend op basis van veel experimenten. De berekening is veeleer gebaseerd op de waarschijnlijkheid die op basis van de huidige kennis kan worden verwacht.

In een eerste ronde selecteerde het algoritme willekeurig 24 katalysatorsamenstellingen op basis van de specificaties die waren opgesteld om de complexiteit te beperken. Deze werden rechtstreeks in de geautomatiseerde laboratoriuminfrastructuur vervaardigd en vervolgens getest.

De resultaten van deze eerste selectie dienden als uitgangspunt voor een AI-voorspelling. De voorspelde composities werden automatisch gesynthetiseerd en getest. De wetenschappers voltooiden in deze eerste demonstratietest in totaal zes van dergelijke rondes met hun geïntegreerde systeem.

Het was de bedoeling dat de resultaten tussen de rondes niet lineair verbeterden, maar met grote sprongen. Behalve het optimaliseren van de resultaten van de voorrondes bevat het algoritme ook een verkennende component waarmee in elke ronde compleet nieuwe versies van composities worden ingevoerd. Op deze manier voorkwamen de onderzoekers dat de berekeningen vast kwamen te zitten in een smalle doodlopende weg in de grote ruimte van mogelijkheden.

Data verder dan petrochemie

Voor de onderzoekers ging dit eerste project echter minder over het vinden van de best mogelijke katalysator voor methanolsynthese. De kennis over katalysatoren voor de productie van brandstoffen is grotendeels gebaseerd op kennis uit de aardolie-industrie. Betrouwbare data over de reacties van de duurzame energiesector ontbreken nog grotendeels. Maar ze zijn nodig zodat AI-algoritmen en menselijke onderzoeksintelligentie specifieker kunnen zoeken in de enorme ruimte van chemische mogelijkheden.

Het door AI ondersteunde robotlaboratorium levert nu precies deze hoogwaardige en reproduceerbare data. Ze zullen het hele katalysatoronderzoek een stuk vooruit helpen.

De wetenschappelijke publicatie vindt u hier.

Foto: ETH Zürich / Michel Büchel