AI-Einsatz bei der heterogenen Katalyse
 

Künstliche Intelligenz kann zur Modellierung von Katalyse-Verfahren eingesetzt werden. So können die zugrundeliegenden physikalisch-chemischen Prozesse effizienter beschrieben und die weitere Entwicklung von Katalysatoren beschleunigt werden.

Künstliche Intelligenz (KI) akzeptiert, dass es Beziehungen oder Korrelationen gibt, die sich nicht in einer geschlossenen mathematischen Form oder einer einfach durchzuführenden numerischen Simulation ausdrücken lassen. Bei der Funktion von Materialien, z. B. bei der Katalyse, kann die KI das Verhalten besser erfassen als die bisherige Theorie. Allerdings geht die Flexibilität der KI derzeit mit einem Mangel an Interpretierbarkeit einher, und die KI kann nur Aspekte vorhersagen, die im Training berücksichtigt wurden.

Forscher des Novel-Materials Discovery (NOMAD)-Labors an der FHI haben nun gemeinsam mit Forschern des FHI-Fachbereichs Anorganische Chemie und des BasCat UniCat BASF JointLab an der TU Berlin einen interpretierbaren KI-Ansatz für die Modellierung heterogener Katalyse vorgeschlagen. Er beginnt mit der Katalysatorsynthese, der detaillierten Charakterisierung und dem Testen nach systematischen experimentellen Verfahren, die konsistente und gut charakterisierte Daten, sogenannte "saubere Daten", erzeugen. Dann wird eine symbolische Regression zur Identifizierung der wichtigsten physikalisch-chemischen Parameter angewandt, die auf möglicherweise nichtlineare Weise mit der katalytischen Leistung korrelieren. Diese Parameter spiegeln die Prozesse wieder, die die Reaktivität auslösen, erleichtern oder behindern. Man könnte sie analog zu den Genen in der Biologie als "Material-Gene der heterogenen Katalyse" bezeichnen.

Dieser Ansatz, der für die selektive Oxidation von Propan durch neun Materialien auf Vanadiumbasis demonstriert wurde, wird die Entdeckung verbesserter oder neuartiger Materialien beschleunigen und gleichzeitig das physikalische Verständnis verbessern.