Maschinelles Katalyse-Tetris

In der computer­gestützten Katalyse­forschung müssen Wissen­schaftler häufig eine ähnliche Aufgabe meistern, wie bei dem bekannten Computer­spiel Tetris. Eine der Kerngrößen, die sie regel­mäßig mit hoch­ent­wickelter quanten­mechanischer Simulations­software berechnen, ist, wie stark ein Molekül an die Oberfläche eines poten­ziellen Katalysator­materials bindet. Die Relevanz dieser Information wurde bereits vor etwa hundert Jahren von Nobel­preis­träger Paul Sabatier entdeckt: Ist die Bindung zu schwach, wird das Molekül nicht genügend aktiviert, um effizient in der kataly­tischen Reaktion umgesetzt werden zu können. Ist die Bindung zu stark, beteiligt es sich nicht mehr an der Reaktion, sondern blockiert einfach nur die Katalysator­oberfläche.

Die quanten­mechanischen Berechnungen können diese wichtige Information sehr genau liefern. Deshalb werden sie zunehmend für eine erste Einschätzung der Eignung eines neuen Katalysator­materials eingesetzt, bevor das Material überhaupt arbeits­intensiv real im Labor synthetisiert wird. Leider benötigen die Rechnungen Super­computer. Und genau wie in Tetris gibt es verschiedene Positionen auf der Oberfläche, an die das Molekül anknüpfen könnte. Indem sie alle Positionen jeweils mit einer eigenen Rechnung ausprobieren, bestimmen die Wissenschafter, wo das Molekül am besten hinpasst.

Größere, komplizierte Moleküle können sich zudem in verschiedener Weise und Orientierung an die Positionen binden – erneut gerade so, wie ein kompliziert geformtes Teil in Tetris. Bedenkt man, dass gerade in wichtigen katalytischen Reaktionen wie der Fischer-Tropsch-Reaktion zur Erzeugung synthetischer Kraftstoffe Dutzende Moleküle involviert sind, dauert es einfach zu lange, um die enorme Anzahl an insgesamt nötigen Rechnungen durch­zu­führen.

Erfahrene Tetrisspieler entwickeln ein Gefühl dafür, wo sie die Teile am besten hinschieben. „Maschinelle Lern­algorithmen funktionieren genauso“, erklärt Wenbin Xu vom Fritz-Haber-Institut. Nachdem sie mit den Ergebnissen vorheriger Rechnungen für ähnliche Moleküle und Katalysator­oberflächen trainiert wurden, können diese Algorithmen verlässliche Vorher­sagen über die Bindung machen, ohne den Bedarf an weiterer Super­computer­zeit und viel schneller. Bisher konnten die Algorithmen allerdings nicht richtig mit kompli­zierteren Molekülen umgehen. Sie konnten nur die Bindung kleiner Moleküle vorher­sagen, die in nur einer offen­sicht­lichen Orientierung an die Oberfläche binden können – so wie ein einfaches quadratisches Tetris-Teil.

„Die fehlende Information für die Algorithmen war die Verknüpfung innerhalb des Moleküls: Welches Atom bindet an welches“, erläutert Mie Andersen von der Universität Aarhus. Unter Ausnutzung mathematischer Graphen­theorie hat das Forschungs­team nun einen Weg gefunden, diese Information geeignet einfließen zu lassen. Ihr neuer maschineller Lern­algorithmus liefert bereits genaue Bindungs­information für größere Moleküle, die zentral in Fischer-Tropsch und anderen Treibstoff erzeugenden Reaktionen beteiligt sind.

FHI / RK

Weitere Infos

• Originalveröffentlichung
  W. Xu, K. Reuter & M. Andersen: Predicting binding motifs of complex adsorbates using machine learning with a physics-inspired graph representation, Nat. Comp. 2, 443 (2022); DOI: 10.1038/s43588-022-00280-7
• Theorie (K. Reuter), Fritz-Haber-Institut der Max-Planck-Gesellschaft, Berlin
• Center for Interstellar Catalysis, Dept. of Physics and Astronomy, Aarhus University, Dänemark