催化劑的開發是推動化學反應性能提升和過程效率飛躍的核心。然而，每種催化劑都有其獨特的最佳反應條件空間，傳統固定點的篩選方式極有可能錯過那些在偏離“標準條件”下表現卓越的候選物。即便采用高通量實驗(HTE)或實驗設計(DOE)，要想完整繪制出某種催化劑的反應全貌，仍然需要耗費大量的時間和資源。為了突破這一瓶頸，《Nature Chemical Engineering》報道了一款名為 Fast-Cat 的自驅動實驗室，它將自動化實驗平臺與機器學習代理深度結合，實現了均相催化劑帕累托前沿的快速、自主映射。

Fast-Cat 的工作模式是一個典型的閉環系統(圖 1)。在硬件端，它將連續流反應器與在線氣相色譜分析集成在一起，能夠以高重現性、極少人工干預的方式連續不斷地收集實驗數據。在軟件端，一個機器學習代理會接收這些實驗數據，并訓練一個模型，將高維的輸入空間——包括溫度、壓力、液相組成、氣相組成和反應時間——與反應結果空間(產率和產物區域選擇性)關聯起來。由于催化劑活性和選擇性之間往往存在此消彼長的權衡關系，Fast-Cat 采用了多目標貝葉斯優化技術來識別催化劑的帕累托前沿。每一次循環，ML 代理都會查詢已建立的模型，計算候選實驗條件可能帶來的超體積改進，并選出最優條件發送給硬件平臺執行。

研究人員以銠催化的 1-辛烯氫甲酰化反應為模型反應，對六種不同類型的磷基配體進行了自主映射。令人矚目的是，Fast-Cat 在不到一周的時間內就完成了全部六種配體的篩選，每種配體僅消耗不到 1 毫摩爾，并獲得了超過 50 個實驗條件的數據。更關鍵的是，經過反應器表征和流-批比對驗證，由 Fast-Cat 自主發現的實驗條件可以直接轉移至傳統的高壓釜反應條件，并獲得高度相似的實驗結果。這意味著 Fast-Cat 在微型化、快速化的流式系統中發現的優化條件，具備直接向工業過程平移的潛力。此外，在完成實驗后，收集到的完整數據集和最終的 ML 模型還可以被進一步“解剖”，為理解不同配體結構內在的反應差異機制提供定量的、數據驅動的見解。

這種自驅動實驗室的出現，將催化劑測試和發現從一種經驗驅動、勞動密集型的模式，轉變為數據驅動、自動化和智能化的科學探索。它通過迭代的反饋循環不斷更新模型和實驗計劃，遠比傳統高通量實驗設計更為高效。在未來的發展方向上，研究團隊正計劃擴展 Fast-Cat 的表征技術，使其超越氣相色譜的限制，從而實現多模態反應表征。同時，他們也在努力拓寬可自動訪問的反應空間，增加對不同離散參數的兼容性，并提升平臺對固體物料處理的能力，以解決流式反應器易堵塞的固有缺陷。隨著更快在線分析技術的引入，即使是極快的反應也能被納入自優化的范圍。可以預見，此類自驅動實驗室平臺將成為化學反應發現與開發的“標配”工具，極大地縮短從實驗室發現到產業化應用的時間周期。

參考文獻

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