催化劑研發(fā)平臺

---

一、需求背景：

    催化相關產業(yè)在全球GDP占比20%-30%，優(yōu)良催化劑的開發(fā)是其核心。依據專家設計和實驗合成再表征的方式設計催化劑，試錯成本高、研發(fā)周期長，目前一些重要化工原料所使用的催化劑專利，很多是掌握在具有多年技術積累的國際化工巨頭手里，比如巴斯夫、陶氏等。國內化工企業(yè)要在短時間內突破專利封鎖，開發(fā)出新的性能優(yōu)良的工業(yè)催化劑，不依靠新方法的介入將是一件非常困難的事情。

二、產品定位：

      正是因為人工智能的迅猛發(fā)展以及在化學/化工領域的快速介入，煙臺國工智能科技有限公司早早布局“AI+催化”方向，在實際項目中打磨技術，打造出國內首家專門針對催化劑開發(fā)的AI輔助研發(fā)平臺“GoCatal®”，將為國內化工企業(yè)開發(fā)自己的催化劑IP助一臂之力！

三、產品簡介：

      GoCatal®目前已包含的有針對于金屬-有機配體類均相催化劑開發(fā)相關模塊，和針對于無機晶體類、負載型等非均相催化劑的開發(fā)相關模塊，另外有金屬（合金類）及生物酶型催化劑開發(fā)的相關模塊待發(fā)布（圖1）。這些模塊涵蓋了催化劑研發(fā)過程中的重要過程，如分子生成、性能預測、結構生成、反應預測、合成路線推薦、實驗優(yōu)化等等。

1、均相催化性能預測器

     “性能預測器”和“分子生成器”，其中性能預測器如圖1所示，其輸入為分子結構（可來自于人工設計或算法合成），輸出為此分子的催化性能。

圖1：GoCatal®性能預測模塊示意圖。

2、均相催化分子生成器

     在有了清晰的“構效關系”后，將其嵌入到分子生成算法中，算法便可以根據提示朝著所希望的性能去生成分子。結合前面的性能預測器一起使用，便形成一整套AI輔助下的催化劑設計工具。

 分子生成：直到生成預測值全部滿足要求的分子，然后選擇其進入實驗驗證。

     通過這樣一種方式進行催化劑設計，無疑可以顯著增加成功概率！除了前面舉的面向均相催化的“性能預測器”和“分子生成器”之外，還有“合成路線推薦器”、“結構生成器（非均相催化）”、“單體生成器（高分子材料開發(fā)）”、“實驗優(yōu)化器（工藝包開發(fā)）”等模塊，以及除了催化工業(yè)相關之外，國工智能在能源、材料行業(yè)的布局也正在展開，下面簡要介紹其應用場景和功能。

3、高分子性能預測器

     在高分子材料研發(fā)中，單體分子結構與聚合工藝對高分子材料性能都有影響。開發(fā)一款高分子材料，關注的性能比如有拉伸強度、玻璃化溫度、導熱性、導電性等等。所謂高分子性能預測器，是針對一類高分子材料，輸入單體，可以給出其二級結構、三級結構，然后結合聚合工藝，進一步預測其聚合性能。

4、高分子單體生成器

     在高分子材料研發(fā)中，除了聚合工藝外，單體分子結構是影響聚合物性能的主要因素。如何設計出新的單體結構，是一件具有挑戰(zhàn)性的事情。在單體-聚合性能關系建立后，即在“高分子性能預測器”的基礎上，可以連接“高分子單體生成器”，即根據所希望的性能，算法可以在廣闊的化學空間中，反推出可能對應這些性能的單體分子結構。

5、非均相催化性能預測器

     非均相催化是化工體系中的重要一環(huán)。非均相催化體系中，涉及到的催化劑往往以固相存在，而反應物可能是氣相或液相，這種反應體系更容易對催化劑進行分離和回收利用。非均相催化劑可進一步分為負載型、合金型等，其中構成催化劑的元素及結構對催化性能有著關鍵影響。在反應類型確定的情況下，“非均相催化性能預測器”可根據所輸入的催化劑結構，輸出所對應的催化性能，比如活性、分子量、負載比等。

6、非均相催化結構生成器

      在非均相催化體系中，催化劑以固相或負載在固相上存在，而催化劑結構、載體結構對催化性能都有著影響。在“非均相催化性能預測器”的基礎上，后面連接“非均相催化結構生成器”，可以根據所希望的催化性能，輸出所對應的催化劑結構、或載體結構。

7、復合材料性能預測器（液晶、涂料、橡膠等）

      很多復合材料，單體以某種配比進行混合后，互相之間不發(fā)生復雜的化學反應，但混在一起展現出某種特定的物理性能，液晶、涂料、橡膠等都具有此類特點。“復合材料性能預測器”經過一定數據量的學習，可以根據所輸入的單體信息（配比、分子結構等），輸出復合材料的性能。

8、復合材料單體生成器

      對于液晶、涂料、橡膠來說，不同的組分混合比影響著產品性能，如果能知道什么樣的組分比例可以滿足所期望的性能，那么對于產品開發(fā)將大有幫助。所謂“復合材料單體生成器”，即在“復合材料性能預測器”的基礎上，可以輸入所希望的材料性能，將輸出所對應的單體配比，甚至單體分子結構。

9、光電（電光）材料性能預測器

      光電（電光）材料涉及到光電轉換或電光轉換，比如OLED（電→光）、光伏電池（光→電）等。這些材料的發(fā)光層或電荷傳輸層，其分子處于單體時所展現的性質與形成器件之后往往會有較大差異。在一定數據量的學習下，“光電（電光）材料性能預測器”可以根據所輸入的分子結構，預測其形成器件之后所展現的光電（電光）性質。

10、光電（電光）材料分子生成器

      如果知道了分子形成器件后所展現出的光電性能，那么就可以根據所期望的性能，反推所對應的分子結構。所謂“光電（電光）材料分子生成器”，即在“光電（電光）材料性能預測器”基礎上，輸入所期望的光（電）性能，可以反推所對應的分子結構。

11、電池材料性能預測器

     電池研發(fā)當前主要是鋰電池研發(fā)，其它還有固態(tài)電池等。以鋰電池為例，包括正、負極和電解液的研發(fā)，其中電解液中又有不同的添加劑。以電解液添加劑為例，添加劑的分子結構與所展現的性能之間有著密切聯系。“電池材料性能預測器”可以根據所輸入的添加劑分子相關信息，輸出添加到電解液之后所展現出的性能。

12、電池材料分子（結構）生成器

     當知道電池微觀尺度的分子結構等信息與所展現的性能之間關系之后，可以提出所期望的性能，反推所對應的微觀結構。還是以電解液添加劑為例，在“電池材料性能預測器”的基礎上，后面接入“電池材料分子（結構）生成器”，可以輸入所期望的電解液性能，輸出為對應的添加劑信息（分子結構、添加量等）。

13、合成路線推薦器

     當給定一個分子結構之后（可能來自于文獻、專家設計、或算法推薦等），如何合成便成了接下來的重要問題。所謂“合成路線推薦器”，結合了當前表現最優(yōu)異的逆合成算法，可以根據輸入的目標產物，輸出推薦的單步或多步合成路線。針對于特定類型反應，還可以給出反應條件、收率等指標的推薦數值。

14、有機反應預測器

     當給定反應物，如果能預知后續(xù)會發(fā)生什么樣的一系列反應，對于提高主產物收率、副產物利用等有著重要意義。“有機反應預測器”，根據所輸入的反應物，可以輸出可能得到的產物及產率分布。值得一提的是，與“合成路線推薦器”聯合使用，對于開發(fā)合成路線來說效果更佳。

15、實驗優(yōu)化器

     當給定一條工藝路線之后，所需要調試的工藝參數往往需要大量實驗來尋找最佳的參數組合。“實驗優(yōu)化器”，輸入所希望優(yōu)化的實驗（工藝）參數空間，如溫度、壓力、溶劑配比等，以及希望優(yōu)化的性能，如收率、反應時間等，經過少量的實驗迭代，可以快速找到最佳性能所對應的實驗（工藝）參數。注意，“實驗優(yōu)化器”在使用過程中，需要與實驗配合使用。