Искусственный интеллект на службе катализа: новый подход к созданию эффективных материалов

Автор: Денис Аветисян

Исследователи разработали систему, использующую возможности больших языковых моделей для автономного проектирования катализаторов нового поколения.

Многоагентный фреймворк на основе больших языковых моделей позволяет проектировать катализаторы с одиночными атомами для реакции восстановления кислорода, превосходящие традиционные ограничения и открывающие новые принципы дизайна.

Традиционные подходы к поиску новых катализаторов часто сталкиваются с ограничениями, обусловленными сложностью многопараметрической оптимизации. В работе, озаглавленной ‘Reasoning-Driven Design of Single Atom Catalysts via a Multi-Agent Large Language Model Framework’, представлен инновационный многоагентный подход, использующий большие языковые модели для автономного проектирования одноатомных катализаторов для реакции восстановления кислорода. Разработанная система MAESTRO позволила не только идентифицировать катализаторы, нарушающие известные зависимости между промежуточными продуктами реакции, но и выявить новые принципы их конструирования. Возможно ли дальнейшее расширение подобных систем для решения более сложных задач в области материаловедения и химии?

Поиск порядка в хаосе: вызовы эффективного катализа

Реакция восстановления кислорода играет фундаментальную роль в преобразовании энергии, являясь ключевым этапом в топливных элементах и других перспективных технологиях. Однако, поиск новых, эффективных катализаторов для этой реакции представляет собой сложную и ресурсоемкую задачу. Традиционные методы, основанные на эмпирическом подходе и обширных расчетах с использованием теории функционала плотности, требуют значительных временных и вычислительных затрат, при этом не гарантируя предсказуемого результата. Необходимость в ускорении процесса открытия катализаторов, обладающих улучшенными характеристиками, становится все более актуальной в контексте глобального энергоперехода и поиска устойчивых источников энергии.

Традиционные подходы к разработке катализаторов, основанные на методе проб и ошибок и обширных расчетах с использованием теории функционала плотности, сталкиваются с серьезными ограничениями. Эти методы требуют колоссальных вычислительных ресурсов и времени, что существенно замедляет процесс открытия новых, более эффективных материалов. Несмотря на значительные инвестиции в вычислительные мощности, точность предсказаний остается недостаточной для эффективного скрининга перспективных катализаторов, поскольку существующие модели часто не способны адекватно учитывать сложные взаимодействия на поверхности материала. В результате, поиск оптимальных каталитических систем превращается в длительный и дорогостоящий процесс, препятствующий прогрессу в области энергетики и химической промышленности.

Эффективность катализаторов для важнейших химических реакций, таких как кислородная редукция, часто ограничена так называемыми эмпирическими соотношениями или Scaling Relations. Эти соотношения устанавливают предсказуемые связи между энергиями адсорбции различных промежуточных продуктов реакции на поверхности катализатора. Вследствие этого, попытки оптимизировать один аспект каталитической активности, например, энергию адсорбции кислорода, неизбежно приводят к ухудшению другого, например, энергии адсорбции воды, что снижает общую эффективность. Преодоление этих ограничений требует разработки катализаторов, которые нарушают традиционные Scaling Relations, позволяя одновременно оптимизировать несколько ключевых параметров адсорбции. Для этого исследователи активно изучают новые материалы и структуры, такие как одноатомные катализаторы и сплавы, способные модифицировать электронную структуру поверхности и, тем самым, обойти ограничения, накладываемые Scaling Relations, открывая путь к созданию высокоэффективных и устойчивых каталитических систем.

MAESTRO: Интеллектуальная система для оркестровки открытия катализаторов

MAESTRO представляет собой многоагентную систему, разработанную для автоматизации и оптимизации поиска одноатомных катализаторов. В основе системы лежит декомпозиция процесса разработки катализатора на ряд задач, решаемых независимыми агентами. Каждый агент специализируется на определенном аспекте, таком как генерация кандидатов, предсказание свойств, или оценка стабильности. Взаимодействие между агентами осуществляется посредством обмена информацией и координации действий, что позволяет эффективно исследовать пространство возможных катализаторов и находить оптимальные решения. Архитектура системы обеспечивает масштабируемость и гибкость, позволяя адаптироваться к различным задачам и данным.

В основе системы MAESTRO лежит использование больших языковых моделей (LLM) для автоматизации процессов рассуждения, планирования и принятия решений на всех этапах разработки катализаторов. LLM выступают в роли центрального управляющего элемента, определяющего последовательность действий, таких как генерация гипотез о структуре катализатора, оценка их потенциальной активности и стабильности, а также планирование вычислительных экспериментов для проверки этих гипотез. Модели используются для анализа данных, полученных из различных источников, включая результаты DFT-расчетов и экспериментальные данные, для выявления закономерностей и прогнозирования свойств новых каталитических материалов. Этот подход позволяет значительно ускорить процесс открытия катализаторов и оптимизировать их характеристики.

Эффективность MAESTRO в значительной степени обусловлена использованием машинного обучения силовых полей (Machine Learning Force Fields, MLFF). Эти силовые поля обучаются на данных, полученных с помощью расчетов теории функционала плотности (DFT), что позволяет значительно ускорить предсказание энергий адсорбции и реакций. Традиционные DFT-расчеты являются вычислительно затратными, особенно при исследовании большого количества кандидатов в катализаторы. MLFF, обученные на относительно небольшом наборе данных DFT, позволяют аппроксимировать энергетические поверхности с приемлемой точностью, снижая вычислительные затраты на несколько порядков. Это позволяет MAESTRO проводить высокопроизводительный скрининг и оптимизацию катализаторов, что невозможно при использовании только DFT.

В отличие от традиционных методов каталитического дизайна, основанных на эмпирических соотношениях скалирования (Scaling Relations), платформа MAESTRO использует прогностическое понимание этих зависимостей. Традиционные соотношения скалирования устанавливают теоретический предел для перенапряжения в 0.36 В, ограничивая эффективность катализаторов. MAESTRO, используя машинное обучение и моделирование $DFT$ , способна предсказывать каталитическую активность за пределами этих ограничений, демонстрируя возможность достижения перенапряжений ниже 0.36 В и, таким образом, открывая возможности для разработки более эффективных катализаторов с улучшенными характеристиками.

Коллективный разум: оркестровка цикла каталитического дизайна

Агент проектирования генерирует предложения по модификации структур катализаторов, опираясь на текущее понимание принципов катализа и существующие научные данные. Предлагаемые изменения основываются на анализе известных закономерностей, таких как влияние состава, размера и формы частиц катализатора на его активность и селективность. Агент использует алгоритмы, реализующие известные правила и ограничения в области химии и материаловедения, чтобы формировать правдоподобные и потенциально эффективные модификации, которые затем передаются Агенту-Рефлексии для оценки и проверки.

Агент “Отражение” осуществляет оценку эффективности предложенных изменений в структуре катализатора, используя возможности больших языковых моделей (LLM) для логического анализа и машинного обучения для прогнозирования результатов. Оценка включает в себя анализ предложенных модификаций на соответствие известным принципам химии и катализа, а также прогнозирование влияния этих изменений на целевые свойства катализатора, такие как активность, селективность и стабильность. Прогнозы, полученные с помощью моделей машинного обучения, калибруются и верифицируются на основе исторических данных и экспериментальных результатов, что позволяет агенту “Отражение” формировать обоснованные рекомендации для дальнейшего этапа проектирования.

Агент суммирования обеспечивает сохранение контекста на протяжении всего цикла проектирования, архивируя исторические изменения структуры катализатора и полученные результаты. Эта функция включает в себя ведение подробного журнала всех предложенных модификаций, оценок эффективности, а также промежуточных выводов, сделанных другими агентами. Архив предоставляет возможность анализа предыдущих итераций, выявления закономерностей и предотвращения повторения неэффективных подходов. Информация хранится в структурированном формате, что обеспечивает быстрый доступ и возможность автоматизированной обработки данных для дальнейшего улучшения процесса проектирования.

Агент формирования отчетов об исследовании генерирует исчерпывающие отчеты, суммирующие изученные модификации структуры катализатора и связанные с ними результаты. Эти отчеты включают детальное описание предложенных изменений, параметры моделирования, использованные для оценки эффективности, и количественные показатели, такие как изменение энергии связывания, скорости реакции или селективности. Отчеты структурированы для обеспечения возможности отслеживания эволюции дизайна, выявления корреляций между изменениями структуры и наблюдаемыми результатами, а также предоставления данных для последующего анализа и оптимизации. Формат отчетов стандартизирован для упрощения интеграции с другими инструментами анализа данных и обеспечения возможности автоматизированной обработки результатов.

Предвидение стабильности и эффективности: выход за рамки проб и ошибок

В основе платформы MAESTRO лежит предсказание стабильности и активности катализаторов посредством расчёта энергии Гиббса и оценки потенциала растворения. Энергия Гиббса, являясь термодинамическим критерием спонтанности процесса, позволяет определить наиболее стабильные конфигурации каталитических материалов. Одновременно, оценка потенциала растворения даёт возможность предсказать, насколько устойчив катализатор к разрушению в рабочих условиях. Комбинируя эти два подхода, MAESTRO позволяет не только выявлять наиболее перспективные катализаторы, но и прогнозировать их долговечность, существенно сокращая время и затраты на экспериментальные исследования и позволяя целенаправленно разрабатывать материалы с улучшенными характеристиками.

В основе платформы MAESTRO лежит использование машинного обучения для создания силовых полей, которые значительно превосходят традиционные методы расчета, такие как функционал теории плотности (DFT), по вычислительной эффективности. В отличие от DFT, требующего значительных ресурсов для моделирования электронных взаимодействий, силовые поля, основанные на универсальных моделях для атомов, позволяют предсказывать энергию и структуру материалов с гораздо меньшими затратами. Этот подход не только ускоряет процесс разработки катализаторов, но и позволяет исследовать гораздо большее количество потенциальных кандидатов, что критически важно для поиска оптимальных решений. Использование машинного обучения позволяет существенно снизить вычислительную сложность, открывая возможности для моделирования систем, которые ранее были недоступны из-за ограничений ресурсов.

Разработанная платформа MAESTRO позволила спроектировать одноатомные катализаторы, демонстрирующие перенапряжение в 0.31В, что ниже теоретического предела в 0.36В, установленного масштабирующими соотношениями. Этот результат достигнут благодаря интеграции предсказательных возможностей, основанных на расчетах энергии Гиббса и оценке потенциала растворения. Преодоление традиционных ограничений, диктуемых масштабирующими соотношениями, открывает путь к созданию высокоэффективных катализаторов, превосходящих существующие аналоги по активности и производительности. Такой подход позволяет целенаправленно конструировать материалы с заданными свойствами, минимизируя необходимость в дорогостоящих и трудоемких экспериментальных исследованиях.

Разработанная платформа демонстрирует способность нарушать общепринятые корреляции между свойствами катализаторов — так называемые scaling relations — с частотой более двух случаев на сто шагов модификации. Этот результат достигается за счет применения методов обучения в контексте, позволяющих системе адаптироваться и находить решения, выходящие за рамки традиционных представлений. Важно отметить, что повышение каталитической активности, выявленное в процессе модификации, не сопровождается снижением стабильности материала. Напротив, анализ потенциала растворения показывает, что разработанные катализаторы демонстрируют улучшенные показатели стабильности наряду с повышенной активностью, что указывает на возможность создания высокоэффективных и долговечных каталитических систем.

Исследование демонстрирует, что предсказуемость в проектировании катализаторов — иллюзия. Авторы предлагают систему, в которой взаимодействие агентов, основанное на больших языковых моделях, позволяет выйти за рамки традиционных корреляций, открывая новые принципы дизайна. Этот подход, позволяющий катализаторам превосходить ожидания, подтверждает, что целостный эффект часто не очевиден из отдельных компонентов. Как говорил Людвиг Витгенштейн: «Мир — это все, что происходит». В данном контексте, «мир» — это пространство возможных катализаторов, а исследование показывает, что понимание этого пространства требует не только анализа частей, но и наблюдения за возникающими взаимодействиями, а не попыток жесткого контроля над процессом.

Что дальше?

Представленная работа демонстрирует, что кажущийся упорядоченным мир катализаторов — не результат централизованного проектирования, а скорее эмерджентное свойство, возникающее из взаимодействия локальных «агентов» — языковых моделей, оперирующих принципами разумного поиска. Успех в обходе традиционных корреляций масштабирования — это не прорыв в понимании, а скорее признание ограниченности попыток «управления» сложными системами. Попытки навязать порядок сверху, как правило, приводят к упрощенным моделям, игнорирующим богатую палитру возможностей, возникающих снизу.

Однако, истинная устойчивость открытых систем требует не только автономного дизайна, но и способности к адаптации. Будущие исследования должны быть сосредоточены на создании агентов, способных к самообучению и эволюции, а не на статичном наборе правил. Важно отслеживать не только эффективность катализаторов, но и принципы, лежащие в основе их «рассуждений» — что позволяет выявить фундаментальные ограничения текущих моделей и разработать более гибкие и надежные системы.

В конечном счете, задача не в создании «идеального» катализатора, а в разработке инструментов, способных к самоорганизации и непрерывному совершенствованию. Иллюзия контроля над сложными системами должна уступить место признанию силы локальных взаимодействий и эмерджентного порядка.

Оригинал статьи: https://arxiv.org/pdf/2602.21533.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-02-26 12:42

🚀 Квантовые новости