《自然化学工程》：Fast-Cat——用于催化剂加速开发的自驱动实验室

催化剂的开发是推动化学反应性能提升和过程效率飞跃的核心。然而，每种催化剂都有其独特的最佳反应条件空间，传统固定点的筛选方式极有可能错过那些在偏离“标准条件”下表现卓越的候选物。即便采用高通量实验(HTE)或实验设计(DOE)，要想完整绘制出某种催化剂的反应全貌，仍然需要耗费大量的时间和资源。为了突破这一瓶颈，《Nature Chemical Engineering》报道了一款名为 Fast-Cat 的自驱动实验室，它将自动化实验平台与机器学习代理深度结合，实现了均相催化剂帕累托前沿的快速、自主映射。

Fast-Cat 的工作模式是一个典型的闭环系统(图 1)。在硬件端，它将连续流反应器与在线气相色谱分析集成在一起，能够以高重现性、极少人工干预的方式连续不断地收集实验数据。在软件端，一个机器学习代理会接收这些实验数据，并训练一个模型，将高维的输入空间——包括温度、压力、液相组成、气相组成和反应时间——与反应结果空间(产率和产物区域选择性)关联起来。由于催化剂活性和选择性之间往往存在此消彼长的权衡关系，Fast-Cat 采用了多目标贝叶斯优化技术来识别催化剂的帕累托前沿。每一次循环，ML 代理都会查询已建立的模型，计算候选实验条件可能带来的超体积改进，并选出最优条件发送给硬件平台执行。

研究人员以铑催化的 1-辛烯氢甲酰化反应为模型反应，对六种不同类型的磷基配体进行了自主映射。令人瞩目的是，Fast-Cat 在不到一周的时间内就完成了全部六种配体的筛选，每种配体仅消耗不到 1 毫摩尔，并获得了超过 50 个实验条件的数据。更关键的是，经过反应器表征和流-批比对验证，由 Fast-Cat 自主发现的实验条件可以直接转移至传统的高压釜反应条件，并获得高度相似的实验结果。这意味着 Fast-Cat 在微型化、快速化的流式系统中发现的优化条件，具备直接向工业过程平移的潜力。此外，在完成实验后，收集到的完整数据集和最终的 ML 模型还可以被进一步“解剖”，为理解不同配体结构内在的反应差异机制提供定量的、数据驱动的见解。

这种自驱动实验室的出现，将催化剂测试和发现从一种经验驱动、劳动密集型的模式，转变为数据驱动、自动化和智能化的科学探索。它通过迭代的反馈循环不断更新模型和实验计划，远比传统高通量实验设计更为高效。在未来的发展方向上，研究团队正计划扩展 Fast-Cat 的表征技术，使其超越气相色谱的限制，从而实现多模态反应表征。同时，他们也在努力拓宽可自动访问的反应空间，增加对不同离散参数的兼容性，并提升平台对固体物料处理的能力，以解决流式反应器易堵塞的固有缺陷。随着更快在线分析技术的引入，即使是极快的反应也能被纳入自优化的范围。可以预见，此类自驱动实验室平台将成为化学反应发现与开发的“标配”工具，极大地缩短从实验室发现到产业化应用的时间周期。

参考文献

Bennett, J.; Abolhasani, M. A self-driving lab for accelerated catalyst development. Nat. Chem. Eng. 2024, 1, 370–371. DOI: 10.1038/s44286-024-00071-x