Development of multi-element catalysts using extrapolative machine learning methods

使用外推机器学习方法开发多元素催化剂

• 批准号: 22KF0006
• 负责人: 清水 研一
• 金额: $ 1.47万
• 依托单位: Hokkaido University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2023
• 资助国家: 日本
• 起止时间: 2023-03-08 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KF0006/
• 关键词: 不均一系触媒; 触媒インフォマティクス; 機械学習

触媒を含む材料化学の研究は、未だに「絨毯爆撃のようなスクリーニング」の時代にとどまっている。研究者は、これまで大量の実験データ、文献知識、経験的な知識を統合して、予測や仮説を形成してきた。しかしながら、ますます増加するデータや知識を消化し、目的に適した仮説を提供できる研究者は存在しない。人知による研究は限界に達しており、材料化学研究のアプローチを刷新するために、先進的なデータサイエンス技術を導入する必要がある。本研究では、探索的提案が可能な機械学習モデルを開発し、革新的な高性能触媒の創出に貢献する研究方法論を提案することを目指す。文献データを用いて外挿的提案が可能な機械学習モデルの構築を目指した。構築されたモデルでは、触媒構成要素そのものを学習に使用するのではなく、特徴量（原子半径、電気陰性度、融点など）と構成比の積を予測記述子（元素記述子）として使用することで、元々のデータセットに含まれている元素に縛られることなく、有望な触媒候補元素を提案することが可能になる。また、実際の触媒組成を提案する逆問題を解くためのアルゴリズムも作成し、新しい触媒の提案にも挑戦した。実際に、実験と機械学習のループを繰り返すことで、多元素触媒の開発もスタートした。予測だけでなく、機械学習モデルから化学的/物理的な示唆を得ることを目指した。機械学習予測は、しばしばブラックボックスと見なされるが、解釈性の高い（教師あり）機械学習手法を使用することで、対象系における性能制御因子（記述子）の重要性を半定量的に可視化することが可能になる。

The study of catalyst-containing materials chemistry is still in progress. The researchers have a great deal of knowledge about information, literature, and technology, and they are able to integrate and predict information. To increase knowledge, to provide knowledge, to increase knowledge, to provide knowledge, to increase knowledge, to increase knowledge, to increase Human knowledge is essential for the advancement of research and development in materials chemistry. This research aims to explore proposals that may contribute to the development of machine learning devices and the creation of innovative high-performance catalysts. A proposal for the construction of a mechanical learning system is proposed in the literature. The construction of catalyst constituent elements, the use of learning, the characteristics (atomic radius, electronegativity, melting point), the composition ratio of the product, the prediction of the description (element description), the use of the elements, the inclusion of elements, the possibility of catalyst candidate elements proposal In addition, the actual catalyst composition proposal is the solution to the inverse problem, and the new catalyst proposal is the solution to the inverse problem In fact, the mechanical learning process is very simple, and the development of multi-element catalyst is very difficult. Prediction, mechanical learning, chemical/physical demonstration, and instruction Mechanical learning prediction is a semi-quantitative visualization of the importance of performance control factors (descriptors) in the use of mechanical learning techniques

项目成果

The reducibility and oxidation states of oxide-supported rhenium: experimental and theoretical investigations

氧化物负载铼的还原性和氧化态：实验和理论研究

• DOI: 10.1039/d2cp04784e
• 发表时间: 2022
• 期刊: Physical Chemistry Chemical Physics
• 影响因子: 3.3
• 作者: Ting Kah Wei;Mine Shinya;Ait El Fakir Abdellah;Du Pengfei;Li Lingcong;Siddiki S. M. A. Hakim;Toyao Takashi;Shimizu Ken-ichi
• 通讯作者: Shimizu Ken-ichi

High-loading Ga-exchanged MFI zeolites as selective and coke-resistant catalysts for nonoxidative ethane dehydrogenation

高负载 Ga 交换 MFI 沸石作为非氧化乙烷脱氢的选择性抗焦催化剂

• DOI: 10.1039/d1cy01799c
• 发表时间: 2022
• 期刊: Catalysis Science & Technology
• 影响因子: 5
• 作者: Huang Mengwen;Yasumura Shunsaku;Li Lingcong;Toyao Takashi;Maeno Zen;Shimizu Ken-ichi
• 通讯作者: Shimizu Ken-ichi

Continuous CO2 Capture and Selective Hydrogenation to CO over Na-Promoted Pt Nanoparticles on Al2O3

• DOI: 10.1021/acscatal.1c05339
• 发表时间: 2022-02-18
• 期刊: ACS CATALYSIS
• 影响因子: 12.9
• 作者: Li, Lingcong;Miyazaki, Shinta;Shimizu, Ken-ichi
• 通讯作者: Shimizu, Ken-ichi