開發用于合成氣基高級醇合成(HAS)的高效催化劑仍然是一項艱巨的研究挑戰。鏈增長和CO插入要求需要多組分材料，其復雜的反應動力學和廣泛的化學空間不符合催化劑設計規范。
近日，蘇黎世聯邦理工學院Javier Pérez-Ramírez提出了一種替代策略，將主動學習整合到實驗工作流程中，以FeCoCuZr催化劑系列為例。
文章要點
1）數據輔助框架簡化了86個實驗中廣泛成分和反應條件空間的導航，與傳統程序相比，環境足跡和成本減少了90%以上。它確定了具有優化反應條件的Fe65Co19Cu5Zr11催化劑，在穩定運行150小時的情況下可實現1.1 gHA h-1 gcat-1的更高醇生產率，比通常報告的產量提高了5倍。
2）表征表明，盡管醇選擇性適中，但催化性能仍與卓越的活性相關。為了更好地反映催化劑需求，研究人員設計了多目標優化，以最大限度地提高醇生產率，同時最大限度地降低不希望的CO2和CH4選擇性。揭示了這些指標之間的內在權衡，識別出人類專家不易辨別的帕累托最優催化劑。
3）最后，基于特征重要性分析，研究人員制定了基于數據的指南，以開發性能特定的FeCoCuZr系統。這種方法超越了現有的HAS催化劑設計策略，適用于更廣泛的催化轉化，并促進了實驗室的可持續性。
參考文獻
Suvarna, M., Zou, T., Chong, S.H. et al. Active learning streamlines development of high performance catalysts for higher alcohol synthesis. Nat Commun 15, 5844 (2024).
DOI：10.1038/s41467-024-50215-1
https://doi.org/10.1038/s41467-024-50215-1
