催化劑是化學的勤勞小幫手。它們加速反應并減少反應發生所需的能量。催化劑越專一、越有效，就越能有效地抑制任何不希望的副反應。在自然界中，酶的作用是從細胞內化學湯幾乎無限的反應可能性中專門促進所需的代謝過程。在化工廠中，通常使用金屬催化劑來提高產品產量。

由 Paco Laveille 領導的蘇黎世聯邦理工學院 Swiss Cat+ 技術平臺的研究人員現已開發出一種完全數字化和自動化的方法，使他們能夠比以前更快地找到新的、更好的金屬催化劑。他們的流程包括用于計算有前景的催化劑成分的人工智能(AI)以及自動化合成和測試實驗室。

有了這個基礎設施，團隊用了不到六周的時間就成功開發了約 150 種用于從 CO 2生產甲醇的催化劑組合物。最好的催化劑具有成本效益，并且具有高轉化率和低比例的副產物。“這種新方法節省了大量時間，”拉維爾說。“如果采用傳統方法，我們的實驗將花費數年時間。”

甲醇被認為是可持續碳氫化合物經濟的關鍵要素之一。該物質是乙醇(即飲用酒精)的化學近親，既可用作燃料，也可用作生產有機化合物(如藥物、塑料或油漆)的原材料。由于甲醇是液體，因此比另外兩種能源氣態氫和甲烷更容易運輸和儲存。更重要的是，在現有的供應基礎設施和當今汽油技術的發動機中使用甲醇只需要進行很小的修改。

通過巧妙的預選縮小可能性范圍

在尋找甲醇生產的最佳催化劑時，存在一個大問題：理論上，原子可以以幾乎無限多種方式組合形成催化劑。“我們正在尋找催化劑的化學空間包含大約 10 20種可能性——即 1000 億。因此，我們實際上是在化學大海撈針。”蘇黎世聯邦理工學院無機化學實驗室教授、Swiss Cat+ 項目聯合發起人 Christophe Copéret 解釋道。

為了縮小巨大的可能性范圍，研究人員根據經驗和經濟要求進行了預選。可以大規模使用的催化劑不僅需要有效而且便宜。因此，催化劑的主要活性成分僅限于三種相對便宜的金屬：鐵、銅和鈷。

除了這些主要金屬之外，研究人員還考慮了傳統上出于摻雜目的而少量添加到催化劑中的三種元素，以及許多催化劑中也含有的鉀。至于載體材料，研究人員僅限于四種典型的金屬氧化物。乘以不同的混合比例，仍然會產生 2000 萬種可能的組合。

利用人工智能支持的統計數據采取迭代步驟

此時，研究人員引入了一種人工智能算法，該算法使用所謂的貝葉斯優化來找到最佳的解決方案。這種特殊的統計形式特別適合只有少量數據可用的情況。與經典統計學不同，概率并不是根據大量實驗計算出的相對頻率得出的。相反，計算考慮了基于當前知識狀態可以預期的概率。

在第一輪中，算法隨機選擇了 24 種催化劑成分，這些成分符合為限制復雜性而制定的規格。這些催化劑直接使用 Swiss Cat+ 自動化實驗室基礎設施生產，然后進行測試。

快速提供大量高度可靠的結果

最初選擇的結果為研究人員提供了人工智能預測的起點;由此預測的催化劑組成依次自動合成和測試。對于第一次演示測試，科學家們讓他們的集成系統完成了總共六輪這樣的測試。

事實上，各輪之間的結果不是以線性方式而是以跳躍式的方式改善，這完全是有意為之：該算法不僅優化了早期輪次的結果，還包括一個探索性組件，可以為每個輪次提供全新的組合。圓形并了解化學空間。這就是研究人員如何防止計算陷入所有可能性中的優化死胡同的。

生成石化產品以外的數據

然而，在第一個項目中，研究人員主要關心的并不是找到用于甲醇合成的最佳催化劑。“目前，有關燃料生產催化劑的知識主要基于石油行業的專業知識，”科佩雷說。“當談到可持續能源行業的使用反應時，仍然很大程度上缺乏可靠的數據。” 然而，人工智能算法和人類研究智能需要這些數據，然后才能在廣闊的化學可能性空間中以更有針對性的方式進行搜索。“這正是我們的人工智能輔助機器人實驗室現在提供的高質量、可重復的數據。催化劑研究肯定會取得長足的進步，”Laveille 補充道。