數據科學和機器學習，催化研究的未來利劍！

第一作者：Manu Suvarna

通訊作者：Javier Pérez-Ramírez

通訊單位：蘇黎世聯邦理工學

論文速覽

本文綜述了數據科學在催化研究中的應用，強調了催化劑發現和開發對全球能源、可持續性和醫療保健需求的重要性。過去十年中，數據科學概念在催化研究中的利用顯著增加，以幫助解決這些問題。

文章全面回顧了催化研究者如何利用數據驅動策略解決多相、均相和酶催化中的複雜挑戰。研究者將所有研究分爲演繹型或歸納型模式，並統計推斷催化任務、模型反應、數據表示和算法選擇的普遍性。

文章突出了該領域的前沿和催化子學科之間的知識遷移可能性。關鍵評估揭示了實驗催化中數據科學探索的明顯差距，並通過詳細闡述數據科學的四個支柱（即描述性、預測性、因果性和規範性分析）彌合這一差距。

文章提倡將這些分析方法納入常規實驗工作流程，並強調數據標準化對未來數字催化研究的重要性。

圖文導讀

圖1：展示了過去十年數據驅動催化研究的增長趨勢，特別是從2018年開始的指數增長。圖中將催化問題解決使用機器學習（ML）的方法分類爲演繹型和歸納型兩種通用模式，其中演繹型任務旨在篩選或優化催化性能，而歸納型任務則側重於通過描述符或活性位點識別來得出機理見解。

圖2：網絡圖映射了基於催化類型（a）和驅動力（b）的演繹任務之間的關係。圖中的節點表示顯著實體的出版物計數，包括催化類型、驅動力、任務和數據源，節點之間的弧長與出版物之間的相互關係頻率成正比。

圖3：總結了催化領域主要的開源數據庫，根據催化類型、數據源和它們所引發任務進行分類，並展示了這些數據庫對FAIR（可發現、可訪問、可互操作和可重用）原則的遵循程度。

圖4：通過ML建立結構-屬性-性能關係的圖譜，展示了多相（a）、均相（b）和酶催化（c）中用於建立結構-屬性關係的ML算法的使用情況。

圖5：展示了催化中先進的AI框架，包括從文獻中提取合成程序和催化屬性的語言模型（a），主動學習用於探索特定催化劑的化學空間（b），使用GANs和VAEs等深度學習模型進行假想合金和配體的虛擬生成（c），以及深度強化學習用於優化催化表面或反應網絡（d）。

圖6：數據驅動催化的四個支柱示意圖，包括描述性分析、預測性分析、因果性分析和規範性分析。

圖7：展示了數據驅動催化的生命週期，包括描述性、預測性、因果性和規範性分析在實驗催化工作流程中的應用。

圖8：展示了將ML算法與表徵工具集成的最新進展，包括深度學習在透射電子顯微鏡圖像分析中用於自動化原子檢測（a），以及結合XANES光譜學和ML方法用於改進多相催化劑的3D幾何結構（b）。

總結展望

文章強調了數據科學和機器學習（ML）在催化研究中的前景，預示着這些技術將極大提高研究生產力。同時指出，儘管這些技術不會取代人類的直覺和專業知識，但它們應該被催化研究者們接受，併成爲每個從業者工具箱的一部分。

文章呼籲催化從業者發展對數據驅動概念和建模策略的基礎理解，並熟悉數據準備、算法適用性評估及其優勢和侷限性。同時，也鼓勵數據科學家培養對催化的欣賞，有效地將催化過程的複雜性轉化爲數據科學問題，並理解實驗限制。

文章展望了一個未來，其中數字工具無縫集成到催化研究中，加速實驗設計、數據分析和新知識的創造，促進數據驅動的決策制定，助力解決催化研究中的一些重大挑戰。

文獻信息

標題：Embracing data science in catalysis research

期刊：Nature Catalysis.