엄청난 범위의 가능성을 좁히기 위해 연구원들은 경험과 경제적 요구 사항을 기반으로 사전 선택을 했습니다. 대규모로 사용할 수 있는 촉매는 효과적일 뿐만 아니라 가격도 저렴해야 합니다. 이러한 이유로 촉매의 주요 활성 성분은 철, 구리, 코발트 등 비교적 값싼 세 가지 금속으로 제한되었습니다.
이러한 주요 미네랄 외에도 연구원들은 도핑 목적으로 전통적으로 촉매에 소량 첨가된 세 가지 요소와 많은 촉매에서도 발견되는 칼륨을 조사했습니다. 캐리어 물질의 경우, 연구진은 4가지 일반적인 금속 산화물로 제한했습니다. 다양한 혼합 비율을 곱하면 여전히 2천만 가지의 조합이 가능합니다.
AI 기반 통계로 반복 가능한 단계 수행
이 단계에서 연구원들은 가능한 최상의 솔루션을 찾기 위해 베이지안 최적화라고 알려진 인공 지능 알고리즘을 사용했습니다. 이 특별한 형태의 통계는 적은 양의 데이터만 사용할 수 있는 경우 특히 편리합니다. 확률은 고전통계와 달리 많은 실험을 통해 계산된 상대빈도에서 도출되지 않습니다. 대신 계산에서는 현재 지식 상태를 기반으로 예상할 수 있는 확률을 고려합니다.
초기 라운드에서 알고리즘은 복잡성 감소 목적으로 설정된 사양을 충족하는 24개의 자극 조합을 무작위로 선택했습니다. 이러한 촉매는 Swiss Cat+ 자동화 실험실 인프라를 사용하여 직접 생산된 후 테스트되었습니다.
매우 신뢰할 수 있는 결과를 신속하게 제공
이번 초기 선정 결과는 연구자들이 인공지능을 예측하는 출발점이 됐다. 자동으로 예측된 촉매 조성을 제조하고 테스트했습니다. 이 첫 번째 시연 테스트를 위해 과학자들은 통합 시스템에 6번의 라운드를 완료하도록 요청했습니다.
선형 방식이 아니라 비약적으로 라운드 간에 결과가 개선되었다는 사실은 전적으로 의도적인 것입니다. 알고리즘은 이전 라운드의 결과를 개선할 뿐만 아니라 각 라운드에 완전히 새로운 조합을 제공하는 탐구 구성 요소도 포함합니다. . 화학 공간을 둘러보고 알아보세요. 이것이 연구자들이 계산이 모든 가능성 사이의 최적화 막다른 골목에 빠지는 것을 방지한 방법입니다.
석유화학 외부의 데이터 생성
이 첫 번째 프로젝트에서 연구진의 주요 관심은 메탄올 합성을 위한 최상의 촉매를 찾는 것이 아니었습니다. “현재 연료 생산에 사용되는 촉매에 대한 지식은 대부분 석유 산업에서 얻은 경험을 기반으로 합니다.”라고 Cupret은 말합니다. “지속 가능한 에너지 산업에 사용하기 위한 피드백과 관련하여 신뢰할 수 있는 데이터는 여전히 대부분 사용할 수 없습니다.” 그러나 AI 알고리즘과 인간 연구 인텔리전스는 화학적 가능성의 광대한 공간을 보다 타겟화된 방식으로 검색하기 전에 해당 데이터가 필요합니다. Lavelle은 “이것이 바로 우리의 자동화된 AI 기반 실험실이 현재 제공하고 있는 고품질의 재현 가능한 데이터입니다. 인센티브 연구는 확실히 먼 길을 갈 것입니다.”라고 덧붙였습니다.
"트위터를 통해 다양한 주제에 대한 생각을 나누는 아 동율은 정신적으로 깊이 있습니다. 그는 맥주를 사랑하지만, 때로는 그의 무관심함이 돋보입니다. 그러나 그의 음악에 대한 열정은 누구보다도 진실합니다."