Sztuczna inteligencja w służbie katalizy
22 01 2026
Kategoria: Aktualności CeNT, Research highlights, Strona główna
Metody uczenia maszynowego coraz częściej są wykorzystywane we wszystkich dziedzinach nauki do odkrywania nowych zależności w dużych zbiorach danych, co zwykle przekracza możliwości tradycyjnych metod analitycznych. Algorytmy te pozwalają przyspieszyć odkrycia naukowe w dziedzinach takich jak fizyka, farmacja, biologia, chemia czy inżynieria materiałowa, automatyzując analizę złożonych systemów.
Najnowszym przykładem użycia tych metod w chemii jest praca, która powstała we współpracy pomiędzy dr Juanem Pablo Martinezem i prof. Bartoszem Trzaskowskim z Laboratorium Symulacji Systemów Chemicznych i Biologicznych w Centrum Nowych Technologii Uniwersytetu Warszawskiego (CeNT UW) oraz chemikami z Uniwersytetu w Gironie i Saragossie. W najnowszej pracy Laboratorium Symulacji Systemów Chemicznych i Biologicznych zaprojektowano i stworzono bazę danych zawierającą 217 katalizatorów etenolizy oraz 768 różnych reakcji chemicznych katalizowanych przez te katalizatory. Za pomocą metod uczenia maszynowego zidentyfikowano kluczowe właściwości tych katalizatorów (uzyskane na podstawie szybkich obliczeń kwantowo-mechanicznych), które odpowiadają za ich wysoką wydajność w etenolizie. Wyniki te pokazują, w jaki sposób baza danych CatalySeed, dostępna za pośrednictwem otwartego i darmowego serwera internetowego, umożliwia odkrywanie nieoczywistych zależności pomiędzy strukturą a aktywnością katalizatorów etenolizy, wspierając strategie projektowania katalizatorów wykraczające poza konwencjonalne podejścia obliczeniowe. W przyszłości podobna metodologia może zostać użyta do zaprojektowania lub znalezienia nowych, bardziej wydajnych katalizatorów dowolnych reakcji chemicznych.
Więcej informacji: https://www.uw.edu.pl/sztuczna-inteligencja-w-sluzbie-katalizy/
Wyniki opisane w publikacji A. Poater, S.P. García-Abellán, J.V. Alegre-Requena, B. Trzaskowski, J.P. Partinez, “CatalySeed: A Reaction Database for Ruthenium-Catalyzed Ethenolysis of Seed Oils with Applications in Machine Learning”, ACS Catalysis, doi: 10.1021/acscatal.5c06483 powstały m.in dzięki finansowaniu z grantu Narodowego Centrum Nauki SONATA 19, UMO-2023/51/D/ST4/01561.