Comment jouer au Tetris de la catalyse ?
La manière dont les molécules impliquées dans une réaction chimique se lient entre elles à la surface d'un catalyseur est une clé pour améliorer la performance des catalyseurs. Des chercheurs de l'Institut Fritz Haber et de l'Université danoise d'Aarhus viennent de mettre au point un algorithme d'apprentissage automatique capable de prédire cette propriété pour des molécules complexes qui peuvent se lier à la surface selon différents motifs.
Bild von Tobias Kozlowski auf Pixabay
Vous aimez jouer à Tetris ? Surtout dans les niveaux supérieurs, quand il faut faire glisser très rapidement les pièces de forme compliquée au meilleur endroit ? D'une certaine manière, les scientifiques doivent souvent maîtriser une tâche similaire dans la recherche assistée par ordinateur sur la catalyse. L'une des variables clés qu'ils calculent régulièrement à l'aide de logiciels de simulation sophistiqués en mécanique quantique est la force avec laquelle une molécule se lie à la surface d'un matériau catalyseur potentiel. La pertinence de cette information a été découverte il y a une centaine d'années déjà par le prix Nobel Paul Sabatier : Si la liaison est trop faible, la molécule n'est pas suffisamment activée pour pouvoir être transformée efficacement dans la réaction catalytique. Si la liaison est trop forte, elle ne participe plus à la réaction, mais bloque simplement la surface du catalyseur.
Les calculs de mécanique quantique peuvent fournir cette information importante avec une grande précision, et cela est de plus en plus utilisé pour une première évaluation de l'adéquation d'un nouveau matériau catalytique, avant même que le matériau ne soit synthétisé réellement en laboratoire, ce qui demande beaucoup de travail. Malheureusement, les calculs nécessitent des superordinateurs et, tout comme dans Tetris, il existe différentes positions sur la surface auxquelles la molécule pourrait se connecter. En essayant chaque position avec leur propre calcul, les scientifiques déterminent où la molécule s'adapte le mieux. Les molécules plus grandes et plus compliquées peuvent en outre s'attacher aux positions de différentes manières et orientations - à nouveau, exactement comme une pièce de forme complexe dans Tetris. Si l'on considère que des dizaines de molécules sont impliquées dans des réactions catalytiques importantes telles que la réaction Fischer-Tropsch pour la production de carburants synthétiques, cela prend tout simplement trop de temps pour effectuer le nombre énorme de calculs nécessaires. Le jeu est terminé.
Les joueurs de Tetris expérimentés développent une intuition pour savoir où il est préférable de placer les pièces. "Les algorithmes d'apprentissage automatique fonctionnent de la même manière", explique Wenbin Xu, doctorant au Fritz-Haber-Institut. Après avoir été entraînés avec les résultats de calculs précédents pour des molécules et des surfaces de catalyseurs similaires, ces algorithmes peuvent faire des prédictions fiables sur la liaison, sans avoir besoin de plus de temps de superordinateur et beaucoup, beaucoup plus rapidement. Il n'est donc pas étonnant que le développement d'algorithmes correspondants soit un sujet brûlant. Jusqu'à présent, les algorithmes ne pouvaient toutefois pas traiter correctement les molécules plus complexes. Ils ne pouvaient prédire que la liaison de petites molécules qui peuvent se lier à la surface dans une seule orientation apparente - comme une simple pièce carrée de Tetris. "L'information manquante pour les algorithmes était la liaison au sein de la molécule : quel atome se lie à quel...", décrit le professeur Mie Andersen de l'université d'Aarhus. En utilisant la théorie mathématique des graphes, l'équipe de recherche a trouvé un moyen d'intégrer cette information de manière appropriée. Leur nouvel algorithme d'apprentissage automatique, publié dans "Nature Computational Science", fournit déjà des informations précises sur la liaison de molécules plus grandes, qui jouent un rôle central dans les réactions de Fischer-Tropsch et autres réactions produisant du carburant. Les chercheurs en catalyse ont désormais un puissant joueur de Tetris à leurs côtés.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Allemand peut être trouvé ici.
Publication originale
"Predicting binding motifs of complex adsorbates using machine learning with a physics-inspired graph representation."; Nature Computational Science 2, 443 (2022)
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
