Command Palette
Search for a command to run...
Reac-Discovery Integriert Mathematische Modellierung, Maschinelles Lernen Und Automatisierte Experimente, Um Die Vielseitigkeitsherausforderungen Selbstfahrender Laborsysteme Zu bewältigen.
In der Vergangenheit wurde die 3D-Drucktechnologie im Reaktorbau eingesetzt, um „periodische offene Porenstrukturen (POCs)“ mit regelmäßigen Poren präzise herzustellen. Diese als „gitterartige“ Reaktoren bekannten Strukturen ermöglichten einen reibungslosen Fluss von Gasen, Flüssigkeiten und Wärme und verbesserten so potenziell die Reaktionseffizienz. Durch den Einsatz künstlicher Intelligenz (KI) wurde die Selbstregulierungsfähigkeit des Labors weiter verbessert: Automatisierte Plattformen können Temperatur, Durchflussrate und Reaktionsverlauf in Echtzeit überwachen und auf Basis dieser Daten Versuchspläne autonom optimieren.Diese Systeme, die als selbstfahrende Labore (SDLs) bezeichnet werden, ermöglichen eine beispiellose Präzision und Geschwindigkeit im Reaktordesign.
Trotz der Durchbrüche, die durch die Kombination von Digitalisierung und automatisierten Experimenten erzielt wurden, fehlt der bestehenden Forschung jedoch noch immer ein einheitliches Modell für geometrische Parameter wie Porosität, Oberfläche und Tortuosität. Herkömmliche Methoden wie die numerische Strömungssimulation (CFD) weisen nicht nur Einschränkungen wie geringe Effizienz und hohe Rechenkosten auf, sondern die Konstruktion strukturierter Reaktoren beruht oft auf manueller Erfahrung und spezieller Software.Das Fehlen eines universell anwendbaren Rahmens führt zu einer eingeschränkten Wiederverwendbarkeit und Universalität zwischen verschiedenen Systemen.
Als Reaktion auf die Einschränkungen herkömmlicher Methoden hat ein Forschungsteam des spanischen Materialforschungsinstituts IMDEA die halbautonome digitale Plattform Reac-Discovery eingeführt.Basierend auf einer periodischen Struktur mit offenen Poren wird ein geschlossenes Kreislaufsystem mit integrierten Design-, Fertigungs- und Optimierungsmodulen eingesetzt, das eine parallele Auswertung mehrerer Reaktoren durchführen kann und über die Funktionen einer Echtzeitüberwachung der Kernspinresonanz (NMR) sowie einer Optimierung der Prozessparameter durch maschinelles Lernen (ML) und topologische Deskriptoren verfügt.Während die Leistung und Reaktionseffizienz verbessert und der Materialverbrauch reduziert werden, erhöht sich die Vielseitigkeit des Systems.
Die entsprechenden Forschungsergebnisse wurden in Nature Communications unter dem Titel „Reac-Discovery: an artificial intelligence–driven platform for continuous-flow catalytic reactor discovery and optimization“ veröffentlicht.
Forschungshighlights:
* Integrieren Sie mathematische Modellierung, maschinelles Lernen und automatisierte experimentelle Systeme, um den gesamten katalytischen Reaktorprozess vom geometrischen Design und 3D-Druck bis zur experimentellen Optimierung zu integrieren;
* Durch die Einbeziehung topologischer Parameter in den Optimierungsraum werden die Beschränkungen herkömmlicher Methoden zur Steuerung einzelner Variablen wie Temperatur und Durchflussrate durchbrochen und eine gleichzeitige Optimierung der geometrischen Struktur und der Prozessbedingungen erreicht.
* Erstellen Sie ein auf neuronalen Netzwerken basierendes Leistungsvorhersagemodell, entwickeln Sie ein maschinenlernbasiertes Algorithmussystem und verwenden Sie das Leistungsmodell, um eine schnelle Bewertung und Iteration der Reaktorleistung zu erreichen und so die experimentelle Effizienz und Ressourcennutzung deutlich zu verbessern.
Papieradresse:
Folgen Sie dem offiziellen Konto und antworten Sie mit „Periodic Drilling“, um das vollständige PDF zu erhalten
Weitere Artikel zu den Grenzen der KI:
Generieren Sie autonom Datensätze zur Unterstützung der Closed-Loop-Optimierung
Für diese Studie wurden keine öffentlich verfügbaren Datensätze verwendet. Mithilfe der Reac-Discovery-Plattform generierte das Forschungsteam eigenständig einen mehrdimensionalen internen Datensatz, der Geometrie, Druckbarkeit und Reaktionsverhalten während des Experiments abdeckt. Basierend auf den drei Funktionsmodulen der Plattform – Reac-Gen, Reac-Fab und Reac-Eval – gliedert sich der in dieser Studie generierte Datensatz in drei Teile:
* Strukturparametrisierte Datensätze: Reac-Gen verwendet mathematisch parametrisierte Modelle zur Generierung periodischer offenzelliger Strukturen (POCs). Die Ausgabe wird durch Parameter wie Größe, Schwellenwert und Auflösung gesteuert und liefert quantitative Eingaben für die Topologieoptimierung.
* Druckbarkeitsdatensatz: generiert von Reac-Fab nach Feststellung der Übereinstimmung zwischen Strukturparametern und Druckergebnissen;
* Datensatz zur Reaktionsleistung: Reac-Eval wird durch Echtzeitaufzeichnung von Temperatur-, Durchfluss-, Konzentrations- und Ausbeutedaten während paralleler Experimente im Self-Driving Laboratory (SDL) generiert.
Derzeit wurden die vom Closed-Loop-Framework generierten Daten – von der Strukturgenerierung bis zur Leistungsüberprüfung – auf Zenodo hochgeladen.
Datensatzlink:
https://hyper.ai/datasets/45520
Reac-Discovery: Drei-Modul-Integration zur Erreichung eines integrierten Prozess-Closed-Loop
Die Gesamtarchitektur von Reac-Discovery basiert auf maschinellem Lernen (ML) und bildet einen integrierten Prozess-Schleifenkreislauf aus „Generierung-Herstellung-Evaluierung-Optimierung“ auf der Grundlage von Datenfeedback.Die Closed-Loop-Plattform ist im Wesentlichen in drei Module unterteilt: Reac-Gen, Reac-Fab und Reac-Discovery. Die Funktionen der einzelnen Module sind im Betrieb miteinander verknüpft:
* Reac-Gen: Parametrische Generierung und geometrische Analyse von Strukturen mit periodischen offenen Zellen (POC), mit Feedback durch maschinelles Lernen (ML);
* Reac-Fab: Validierung der Druckbarkeit und Herstellung eines Reaktors mithilfe eines hochauflösenden 3D-Druckalgorithmus, gefolgt von einer katalytischen Funktionalisierung;
* Reac-Eval: Mithilfe von maschinellem Lernen und Echtzeit-Kernspinresonanz-(NMR)-Überwachungsdatenanalyse wird ein künstliches neuronales Netzwerk (KNN) eingesetzt, um Prozess und Geometrie gleichzeitig zu optimieren. Die experimentellen Ergebnisse werden anschließend in das zentrale maschinelle Lernmodell zurückgeführt, um den selbstlernenden und selbstiterativen Zyklus des Reaktors voranzutreiben.
Reac-Gen: Geometrische Modellierung und parametrisches Design
Das Reac-Gen-Modul ist das Ausgangspunktmodul des Reac-Discovery-Systems und verantwortlich für die Konstruktion der Reaktorgeometrie und die parametrische Modellierung.Dieses Modul generiert periodische Strukturen mit offenen Poren basierend auf einer Reihe vordefinierter mathematischer Gleichungen, darunter Gyroid, Schwarz, Schoen-G usw., und generiert verschiedene geometrische Topologien im „Makro- + Mikro“-Maßstab durch Anpassen der drei Hauptparameter: Größe (S), horizontaler Schwellenwert (L) und Auflösung (R).Reac-Gen ist unter den drei Modulen hauptsächlich für die digitale Modellierung und Strukturquantifizierung zuständig. Der Arbeitsablauf gliedert sich in die folgenden Hauptschritte:
Zunächst werden die wichtigsten geometrischen Parameter der Struktur eingegeben. Das System erstellt ein Modell in einem dreidimensionalen Skalarfeld basierend auf vordefinierten mathematischen Gleichungen und generiert durch Isoflächenberechnungen implizite Oberflächen, um die Gesamtform und die interne Topologie des Reaktors zu bestimmen.
* Projektion der Gleichungen in den dreidimensionalen Raum und algorithmische Durchführung von Vernetzung, Skalierung und zylindrischem Zuschneiden, um die Struktur an die Reaktorform anzupassen. Das Ergebnis ist eine hochpräzise dreidimensionale Struktur. Gleichzeitig werden Randglätte und Porenkontinuität automatisch korrigiert, um sicherzustellen, dass die Struktur sowohl beim Drucken als auch bei Flüssigkeitssimulationen eine angemessene physikalische Konnektivität und Stabilität aufweist.
Generiert Fertigungs- und Datenanalysedateien zur Eingabe in das nächste Modul, Reac-Fab, und liefert Kerneingaben für die nachfolgende Druckbarkeitsvorhersage, 3D-Fertigung und Leistungsdatenanalyse.
Im Datenausgabeschritt werden die von Reac-Gen ausgegebenen Datendateien in zwei Kategorien unterteilt:
* STL-Datei: für 3D-Druck;
* Strukturmerkmaldatei (XLSX): zeichnet geometrische Deskriptoren wie Oberfläche, Porosität, Tortuosität, hydraulischer Durchmesser usw. auf.
Reac-Fab: Von der Machbarkeitsprüfung bis zum Musterdruck
Das Reac-Fab-Modul ist hauptsächlich für die physische Herstellung des Reaktors verantwortlich.Für den Aufbau der Struktur wird hochauflösende Stereolithografie (SLA) 3D-Drucktechnologie verwendet. Der Arbeitsablauf dieses Moduls ist in zwei Schritte unterteilt:
* Empfangen Sie STL- und Strukturdatenausgaben von Reac-Gen, verwenden Sie Modelle des maschinellen Lernens, um die Druckbarkeit von Strukturen vorherzusagen, und führen Sie Druckeinstellungen und Gerätekalibrierungen durch.
* Die Struktur wird mittels hochauflösender SLA-Technologie gedruckt. Unter Verwendung optimierter Materialformulierungen und -parameter werden die gedruckten Proben Funktionalisierungsbehandlungen wie chemischer Oberflächenmodifikation und Immobilisierung katalytisch aktiver Komponenten unterzogen, um die Proben zu erhalten.
Das Modul verwendet einen Algorithmus, der auf einem Klassifizierungsmodell neuronaler Netzwerke basiert, zur Überprüfung der Druckbarkeit. Der Algorithmus nutzt 236 experimentelle Proben als Trainingsdaten. Das Modell vergleicht die theoretischen Gewichte wichtiger geometrischer Deskriptoren mit den experimentellen Gewichten, um zu bestimmen, ob die Struktur druckbar ist.Experimentelle Daten zeigen, dass diese Methode eine Vorhersagegenauigkeit von 91% erreicht, was die Fertigungseffizienz effektiv verbessert und die Versuchskosten senkt. Darüber hinaus kann das Modul ohne umfangreiche Vorversuche ausgeführt werden, was die Anwendbarkeit und Skalierbarkeit des Algorithmus für verschiedene Drucksysteme, wie z. B. FDM-Druck mit PLA, verbessert.
Reac-Eval: Experimentelle Verifikation und duale Optimierung
Reac-Eval ist das Kernmodul für die experimentelle Verifizierung und Optimierung der Reac-Discovery-Plattform. Dieses Modul integriert die Fähigkeit zur gleichzeitigen Bewertung mehrerer strukturierter katalytischer Reaktoren, die von Reac-Gen entwickelt und von Reac-Fab gedruckt wurden.Es kann mehrphasige Reaktionen in Echtzeit überwachen und automatisch steuern.Die gesamte Hardware wird über eine einheitliche Python-basierte Schnittstelle integriert, um eine nahtlose Integration zwischen experimentellen Daten, Vorhersagemodellen und Steuerungssystemen zu gewährleisten. Der Reac-Eval-Workflow besteht aus fünf Schritten:
* Definieren Sie Randbedingungen wie Gas-Flüssigkeits-Durchflussrate, Temperatur, Konzentration und topologischen Deskriptorbereich, generieren Sie randomisierte experimentelle Kombinationsabdeckungsparameter und schließen Sie die experimentelle Initialisierung und Bedingungseinstellung ab.
* Betreiben Sie mehrere strukturierte Reaktoren parallel auf einer selbstangetriebenen Plattform, überwachen Sie den Reaktionsverlauf in Echtzeit mithilfe von Benchtop-NMR und sammeln Sie Leistungsdaten.
* Basierend auf maschinellem Lernen und dem neuronalen Netzwerkmodell M1 werden Prozessvariablen und Prozessparameter optimiert, und wiederholtes Training basierend auf dem anfänglichen Datensatz erzielt nicht die erwarteten Optimierungsergebnisse.
* Optimieren Sie die geometrischen Parameter des Reaktors basierend auf dem neuronalen Netzwerkmodell M2;
* Erstellen Sie ein optimiertes Reaktordesign basierend auf den Vorhersageergebnissen von M2, führen Sie eine sekundäre experimentelle Überprüfung durch und geben Sie die Daten, die nicht den Erwartungen entsprechen, zur weiteren Schulung an das Modell zurück.
Im Allgemeinen erstellt das Reac-Eval-Modul einen automatisierten Zyklus aus Experimenten, Modellierung und Feedback auf der Grundlage einer selbstfahrenden Plattform, während es gleichzeitig eine doppelte Optimierung der Prozessparameter und der geometrischen Topologie erreicht.
Reac-Discovery-Anwendung bewirkt doppelte Überprüfung
Um die praktische Wirksamkeit von Reac-Discovery in der Multiskalenkopplung und der maschinenlernbasierten Optimierung zu demonstrieren, wählte das Forschungsteam zwei typische heterogene katalytische Reaktionen: die Acetophenonhydrierung und die CO₂-Cycloaddition. Die milde Hydrierung von Acetophenon und die hochkomplexe Thermodynamik der CO₂-Cycloaddition, die dreiphasige Gas-Flüssigkeit-Feststoff-Transformationen umfasst, bilden die Grundlage für die Überprüfung der Robustheit, Stabilität und Wiederholbarkeit des Systems bei der Selbstoptimierung und Topologierekonstruktion.
Überprüfung der Acetophenon-Hydrierungsreaktion
Im Verifizierungsexperiment zur Acetophenon-Hydrierungsreaktion wählte das Forschungsteam die Acetophenon-Hydrierungsreaktion als Testobjekt.Unter Verwendung immobilisierter Palladium-Nanopartikel (PdNPs) als Katalysatoren wurde die Optimierungsfähigkeit von Reac-Discovery in komplexen heterogenen katalytischen Reaktionen mithilfe eines zweistufigen Optimierungsansatzes bewertet:
Erste Optimierungsphase (G1): Mit Reac-Gen wurden neun Gyroid-Geometrien generiert, um Reaktoren mit deutlich unterschiedlicher Porosität und Oberfläche zu konstruieren. Das Modul Reac-Eval führte 60 Hydrierungsexperimente durch, überwachte die Reaktionen in Echtzeit mittels Kernspinresonanz (NMR) und sammelte Daten für das Training des M1-Korrelationsmodells.
* Zweite Optimierungsstufe (G2): Basierend auf dem M2-Modell wird der Strukturdeskriptor in den Lernprozess einbezogen, um eine gemeinsame Optimierung von Struktur und Leistung zu erreichen.
Die experimentellen Daten zeigen eine hohe Übereinstimmung zwischen den Vorhersagen des M1-Modells und den experimentellen Ergebnissen. Dies ermöglicht die Identifizierung optimaler Prozessbereiche unter über einer Million Parameterkombinationen und reduziert so die Kosten für experimentelle Explorationen erheblich. Darüber hinaus wurde in der G2-Phase die Vorhersagegenauigkeit des M2-Modells weiter verbessert, sodass durch Screening und Vergleich von 480 druckbaren POC-Strukturen optimale Geometrien identifiziert werden konnten. Dies belegt die hohe Genauigkeit und Robustheit der Reac-Discovery-Plattform bei der multivariablen Optimierung und Struktur-Funktions-Vorhersage.
CO₂-Cycloadditionsreaktion
Um die Anpassungsfähigkeit der Plattform in komplexen Mehrphasensystemen weiter zu überprüfen, führte das Forschungsteam ein Verifizierungsexperiment mit einer CO₂-Cycloadditionsreaktion durch:
* Phase 1 (G1): Basierend auf dem Reac-Eval-Modul wurden 60 Versuchsbedingungen mithilfe einer selbstgesteuerten Versuchsplattform implementiert. Der initiale Datensatz wurde mithilfe von Kernspinresonanz-Überwachung in Echtzeit generiert. Das neuronale Netzwerkmodell M1 wurde verwendet, um den Ertrag vorherzusagen und die theoretisch optimalen Bedingungen herauszufiltern.
* Phase 1 (G2): Integrieren Sie geometrische Deskriptoren und Prozessparameter basierend auf Modell M2, optimieren Sie Reaktortopologie und Reaktionsbedingungen und bestimmen Sie die geometrisch optimale Lösung durch Vergleich druckbarer POC-Strukturen.
Die experimentellen Ergebnisse zeigen, dass die im Experiment ermittelten theoretisch optimalen Bedingungen vollständig mit den vorhergesagten Werten übereinstimmen und die Leistungsobergrenze des aktuellen dreiphasigen immobilisierten Reaktors neu definieren.Der Reac-Discovery-Reaktor hielt in vier verschiedenen Epoxidsystemen durchgängig hohe Umwandlungsraten von 40% zu 90% aufrecht und bestätigte damit die systemübergreifende Generalisierung und Stabilität von Reac-Discovery.
KI-Integration: Selbstfahrende Labore werden zum neuen Paradigma für die chemische Forschung
Die schnelle Integration künstlicher Intelligenz in die Strömungschemie und Reaktortechnik macht selbstfahrende Labore zu einem neuen Paradigma in der chemischen Forschung. Im Juli 2025 veröffentlichte ein Forschungsteam der North Carolina State University eine Arbeit mit dem Titel „Maschinelles Lernen unterstützte Entdeckung von Strömungsreaktordesigns“.Um die Probleme zu lösen, die sich daraus ergeben, dass herkömmliche chemische Experimente auf manuellem Ausprobieren beruhen, ineffizient sind und es ihnen an Wiederholbarkeit mangelt, wird ein neues Rahmenwerk für die Durchflusschemie vorgeschlagen, das auf einem selbstfahrenden Labor basiert.Das Framework kombiniert eine automatisierte experimentelle Plattform mit Echtzeit-Datenanalyse und Entscheidungsfindung durch künstliche Intelligenz und realisiert so einen integrierten geschlossenen Kreislauf aus Reaktionsdesign, -ausführung und -optimierung, wodurch die Genauigkeit, Effizienz und Skalierbarkeit des Reaktionsprozesses erheblich verbessert wird.
Papieradresse:
https://doi.org/10.1038/s44286-024-00099-1
Auch ein Forschungsteam der Fakultät für Chemie der Universität Toronto nutzt selbstfahrende Labore als neues Paradigma für die chemische Forschung.Integrieren Sie automatisierte experimentelle Hardware, Echtzeit-Datenanalyse sowie KI-Planung und -Entscheidungsfindung, um einen geschlossenen Kreislauf aus experimentellem Design, Ausführung, Analyse und Optimierung zu erreichen.Diese Forschung nutzt eine hochfrequente automatisierte Experimentalplattform zur Generierung hochdichter Daten. Durch die Einbindung von KI-Algorithmen wie Bayesscher Optimierung und Reinforcement Learning ermöglicht dies die autonome Gestaltung und iterative Weiterentwicklung experimenteller Verfahren und verbessert so die Effizienz und Skalierbarkeit der Entdeckungen deutlich. Die Forschungsergebnisse wurden in ACS Publications unter dem Titel „Selbstfahrende Labore für Chemie und Materialwissenschaft“ veröffentlicht.
Papieradresse:
https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055
Im Juli 2025 veröffentlichte die Royal Society einen Artikel in Open Science, in dem es heißt, dass der Kern selbstfahrender Labore auf Hardware-Automatisierung, Algorithmenoptimierung und selbstlernendem Feedback basiere. Diese Labore können Experimente ohne menschliches Eingreifen durchführen und iterativ verbessern. Dadurch entsteht ein geschlossener Kreislauf vom Versuchsdesign bis zur Ergebnisverifizierung, der den Entdeckungsprozess in Chemie und Materialwissenschaften beschleunigt. „Selbstfahrende Labore könnten sogar einige wissenschaftliche Forschungsstellen ersetzen, aber auch viele neue Möglichkeiten schaffen.“ Derzeit stehen selbstfahrende Labore vor Herausforderungen wie hohen Systemkosten, unzureichender Datenstandardisierung, eingeschränkten Möglichkeiten zur Modellgeneralisierung sowie Sicherheits- und ethischen Risiken. Mit der fortschreitenden Integration von Algorithmen und Hardware könnten selbstfahrende Labore das wissenschaftliche Forschungssystem jedoch in Zukunft umgestalten und ein effizienteres, wiederholbareres und intelligenteres Modell der wissenschaftlichen Forschung schaffen.
Referenzlinks:
1.https://royalsocietypublishing.org/doi/10.1098/rsos.250646#d717644e1
2.https://www.nature.com/articles/s41467-025-64127-1
3.https://pubs.acs.org/doi/10.1021/acs.chemrev.4c00055
4.https://doi.org/10.1038/s44286-024-00099-1