Même une simple réaction chimique peut être étonnamment compliquée. C'est particulièrement vrai pour les réactions impliquant des catalyseurs, qui accélèrent la chimie qui fait le carburant, engrais et autres produits industriels. En théorie, une réaction catalytique peut suivre des milliers de chemins possibles, et cela peut prendre des années pour identifier celui qu'il faut réellement pour que les scientifiques puissent le peaufiner et le rendre plus efficace.

Aujourd'hui, les chercheurs du Laboratoire national de l'accélérateur SLAC du ministère de l'Énergie et de l'Université de Stanford ont fait un grand pas vers l'élimination de ce fourré de possibilités. Ils ont utilisé l'apprentissage automatique - une forme d'intelligence artificielle - pour éliminer les chemins de réaction les moins probables, afin qu'ils puissent concentrer leur analyse sur les rares qui restent et économiser beaucoup de temps et d'efforts.

La méthode fonctionnera pour une grande variété de réactions chimiques complexes et devrait accélérer considérablement le développement de nouveaux catalyseurs, l'équipe a signalé dans Communication Nature .

« Une tâche ardue »

"Concevoir un nouveau catalyseur pour accélérer une réaction chimique est une tâche très ardue, " a déclaré Thomas Bligaard, membre du personnel scientifique du Centre SUNCAT pour la science des interfaces et la catalyse, un institut conjoint SLAC/Stanford où la recherche a eu lieu. « Il y a une énorme quantité de travail expérimental qui y est normalement consacré. »

Par exemple, il a dit, trouver un catalyseur qui transforme l'azote de l'air en ammoniac - considéré comme l'un des développements les plus importants du 20e siècle car il a rendu possible la production à grande échelle d'engrais, aider à lancer la Révolution verte - a pris des décennies à tester diverses réactions une par une.

Même aujourd'hui, à l'aide de simulations de superordinateurs qui prédisent les résultats des réactions en appliquant des modèles théoriques à d'énormes bases de données sur le comportement des produits chimiques et des catalyseurs, la recherche peut prendre des années, car jusqu'à présent, il s'est largement appuyé sur l'intuition humaine pour sélectionner les gagnants possibles parmi les nombreuses voies de réaction disponibles.

"Nous devons savoir quelle est la réaction, et quelles sont les étapes les plus difficiles du chemin de réaction, pour même penser à faire un meilleur catalyseur, " a déclaré Jens Nørskov, professeur au SLAC et à Stanford et directeur de SUNCAT.

"Nous devons également savoir si la réaction ne produit que le produit que nous voulons ou si elle crée également des sous-produits indésirables. Nous avons essentiellement fait des hypothèses raisonnables sur ces choses, et nous avons vraiment besoin d'une théorie systématique pour nous guider."

Échanger l'intuition humaine contre l'apprentissage automatique

Pour cette étude, l'équipe a examiné une réaction qui transforme le gaz de synthèse, une combinaison de monoxyde de carbone et d'hydrogène, en carburants et produits chimiques industriels. Le gaz de synthèse s'écoule à la surface d'un catalyseur au rhodium, qui, comme tous les catalyseurs, n'est pas consommé dans le processus et peut être utilisé encore et encore. Cela déclenche des réactions chimiques qui peuvent produire un certain nombre de produits finaux possibles, comme l'éthanol, méthane ou acétaldéhyde.

"Dans ce cas, il y a des milliers de voies de réaction possibles - un nombre infini, vraiment - avec des centaines d'étapes intermédiaires, " a déclaré Zachary Ulissi, chercheur postdoctoral au SUNCAT. « Habituellement, ce qui se passerait, c'est qu'un étudiant diplômé ou un chercheur postdoctoral les parcourrait un à la fois, en utilisant leur intuition pour choisir ce qu'ils pensent être les chemins les plus probables. Cela peut prendre des années."

La nouvelle méthode abandonne l'intuition au profit de l'apprentissage automatique, où un ordinateur utilise un ensemble de règles de résolution de problèmes pour apprendre des modèles à partir de grandes quantités de données, puis prédire des modèles similaires dans de nouvelles données. C'est un outil en coulisses dans un nombre croissant de technologies, des voitures autonomes à la détection des fraudes et aux recommandations d'achat en ligne.

Désherbage rapide

Les données utilisées dans ce processus proviennent d'études antérieures sur les produits chimiques et leurs propriétés, y compris des calculs qui prédisent les énergies de liaison entre les atomes sur la base des principes de la mécanique quantique. Les chercheurs se sont particulièrement intéressés à deux facteurs qui déterminent la facilité avec laquelle une réaction catalytique se déroule :la force avec laquelle les produits chimiques réactifs se lient à la surface du catalyseur et quelles étapes de la réaction présentent les obstacles les plus importants pour aller de l'avant. Celles-ci sont connues sous le nom d'étapes de limitation de débit.

Une réaction va chercher le chemin qui prend le moins d'énergie, Ulissi a expliqué, tout comme un concepteur d'autoroute choisira un itinéraire entre les montagnes plutôt que de perdre du temps à chercher un moyen efficace de franchir le sommet d'un sommet. Grâce à l'apprentissage automatique, les chercheurs ont pu analyser les voies de réaction encore et encore, éliminer à chaque fois les chemins les moins probables et affiner la stratégie de recherche pour le tour suivant.

Une fois tout mis en place, Ulissi a dit, "Il n'a fallu que quelques secondes ou minutes pour éliminer les chemins qui n'étaient pas intéressants. Au final, il n'y avait qu'une dizaine de barrières de réaction qui étaient importantes." La nouvelle méthode, il a dit, a le potentiel de réduire le temps nécessaire pour identifier une voie de réaction de plusieurs années à quelques mois.