L’intelligence artificielle et les infrastructures de laboratoire automatisées accélèrent considérablement le développement de nouveaux catalyseurs chimiques. Grâce à ces outils, les chercheurs de l'ETH Zurich développent des catalyseurs pour synthétiser de manière efficace et rentable la source d'énergie méthanol à partir du CO2. .
Les catalyseurs sont les petits assistants de la chimie. Ils accélèrent les réactions et réduisent l’énergie nécessaire à leur réalisation. Plus un catalyseur est spécifique et efficace, plus efficacement les réactions secondaires indésirables sont supprimées.
Dans la nature, les enzymes ont pour tâche de stimuler spécifiquement les processus métaboliques nécessaires parmi les possibilités de réaction presque infinies de la soupe chimique présente dans les cellules. Dans les usines chimiques, des catalyseurs métalliques sont généralement utilisés pour augmenter le rendement du produit.
Les chercheurs travaillant sur la plateforme technologique Swiss Cat+ de l'ETH Zurich, dirigée par Paco Laveille, ont désormais développé une méthode entièrement numérisée et automatisée qui leur permet de trouver de nouveaux et meilleurs catalyseurs métalliques beaucoup plus rapidement qu'auparavant. Leur processus consiste en une combinaison d'intelligence artificielle (IA) pour calculer des compositions de catalyseurs prometteuses et d'un laboratoire de synthèse et de test automatisé.
Avec cette infrastructure, il a fallu moins de six semaines à l'équipe pour développer avec succès environ 150 compositions de catalyseurs pour produire du méthanol à partir de CO2 . Les meilleurs catalyseurs sont rentables et présentent des taux de conversion élevés avec une faible proportion de sous-produits. "Cette nouvelle méthode permet de gagner énormément de temps", explique Laveille. "Avec une approche conventionnelle, nos expériences auraient pris des années."
Les chercheurs ont publié deux articles sur leur méthode. Le premier a été publié l'année dernière dans CHIMIA et le deuxième cette semaine dans Chem Catalysis .
Le méthanol est considéré comme l’un des éléments clés d’une économie durable des hydrocarbures. Proche parent chimique de l'éthanol (c'est-à-dire l'alcool à boire), cette substance peut être utilisée à la fois comme carburant et comme matière première pour la production de composés organiques tels que des médicaments, des plastiques ou des peintures.
Parce qu’il est liquide, le méthanol est beaucoup plus facile à transporter et à stocker que l’hydrogène gazeux et le méthane, deux autres sources d’énergie. De plus, l'utilisation du méthanol dans l'infrastructure d'approvisionnement existante et les moteurs de la technologie essence actuelle ne nécessite que des modifications mineures.
Dans la recherche de catalyseurs optimaux pour la production de méthanol, il y a un gros problème :théoriquement, les atomes peuvent être combinés d'un nombre presque infini de façons pour former un catalyseur. "L'espace chimique dans lequel nous recherchons des catalyseurs comprend environ 10 20 possibilités – cela fait cent milliards de milliards. Nous cherchons donc littéralement une aiguille dans une botte de foin chimique", explique Christophe Copéret, professeur au Laboratoire de chimie inorganique de l'ETH Zurich et co-initiateur du projet Swiss Cat+.
Afin de réduire le vaste éventail de possibilités, les chercheurs ont procédé à une présélection basée sur l'expérience et les exigences économiques. Un catalyseur pouvant être utilisé à grande échelle doit être non seulement efficace mais également peu coûteux. Pour cette raison, les principaux ingrédients actifs du catalyseur étaient limités à trois métaux relativement bon marché :le fer, le cuivre et le cobalt.
En plus de ces principaux métaux, les chercheurs ont considéré trois éléments traditionnellement ajoutés aux catalyseurs en petites quantités à des fins de dopage, ainsi que le potassium, également contenu dans de nombreux catalyseurs. En ce qui concerne les matériaux porteurs, les chercheurs se sont limités à quatre oxydes métalliques typiques. Multiplié par les différents rapports de mélange, cela donne quand même 20 millions de combinaisons possibles.
Prendre des mesures itératives avec des statistiques basées sur l'IA
À ce stade, les chercheurs ont mis en jeu un algorithme d’IA qui utilise ce que l’on appelle l’optimisation bayésienne pour trouver les meilleures solutions possibles. Cette forme particulière de statistiques est particulièrement adaptée lorsque seule une petite quantité de données est disponible. Contrairement aux statistiques classiques, la probabilité ne dérive pas de la fréquence relative calculée à partir de nombreuses expériences. Au lieu de cela, le calcul prend en compte la probabilité à laquelle on peut s'attendre sur la base de l'état actuel des connaissances.
Lors d'un premier tour, l'algorithme a sélectionné aléatoirement 24 compositions de catalyseurs répondant au cahier des charges établi dans le but de limiter la complexité. Ces catalyseurs ont été produits directement à l'aide de l'infrastructure de laboratoire automatisé Swiss Cat+, puis testés.
Les résultats de cette première sélection ont servi aux chercheurs de point de départ pour une prédiction de l’IA ; les compositions de catalyseurs ainsi prédites ont été à leur tour automatiquement synthétisées et testées. Pour ce premier test de démonstration, les scientifiques ont fait réaliser un total de six cycles de ce type avec leur système intégré.
Le fait que les résultats se soient améliorés entre les tours non pas de manière linéaire, mais plutôt à pas de géant, était tout à fait intentionnel :non seulement l'algorithme optimise les résultats des tours précédents, mais il inclut également un composant exploratoire qui alimente chaque fois des compositions complètement nouvelles. rond et découvre l’espace chimique. C'est ainsi que les chercheurs ont évité que les calculs ne restent coincés dans une impasse d'optimisation parmi toutes les possibilités.
Mais dans ce premier projet, la préoccupation première des chercheurs n'était pas de trouver le meilleur catalyseur possible pour la synthèse du méthanol. "À l'heure actuelle, les connaissances sur les catalyseurs pour la production de carburant reposent principalement sur l'expertise de l'industrie pétrolière", explique Copéret. "En ce qui concerne les réactions à utiliser dans le secteur de l'énergie durable, les données fiables font encore largement défaut."
Cependant, les algorithmes d’IA et les recherches humaines ont besoin de ces données avant de pouvoir effectuer des recherches de manière plus ciblée dans le vaste espace des possibilités chimiques. "Et c'est précisément le genre de données reproductibles de haute qualité que notre laboratoire robotisé assisté par l'IA fournit désormais. Il est certain que cela fera avancer la recherche sur les catalyseurs un long chemin", ajoute Laveille.
Plus d'informations : Paco Laveille et al, Swiss CAT+, une infrastructure basée sur les données pour la découverte et l'optimisation accélérées des catalyseurs, CHIMIA (2023). DOI :10.2533/chimia.2023.154
Adrian Ramirez et al, Exploration accélérée du CO2 hétérogène catalyseurs d'hydrogénation par expérimentation automatisée et à haut débit optimisée bayésienne, Chem Catalysis (2024). DOI :10.1016/j.checat.2023.100888
Fourni par l'ETH Zurich
