开发用于合成气基高级醇合成(HAS)的高效催化剂仍然是一项艰巨的研究挑战。链增长和CO插入要求需要多组分材料，其复杂的反应动力学和广泛的化学空间不符合催化剂设计规范。

近日，苏黎世联邦理工学院Javier Pérez-Ramírez提出了一种替代策略，将主动学习整合到实验工作流程中，以FeCoCuZr催化剂系列为例。

文章要点

1）数据辅助框架简化了86个实验中广泛成分和反应条件空间的导航，与传统程序相比，环境足迹和成本减少了90%以上。它确定了具有优化反应条件的Fe₆₅Co₁₉Cu₅Zr₁₁催化剂，在稳定运行150小时的情况下可实现1.1 g_HA h^-1 g_cat^-1的更高醇生产率，比通常报告的产量提高了5倍。

2）表征表明，尽管醇选择性适中，但催化性能仍与卓越的活性相关。为了更好地反映催化剂需求，研究人员设计了多目标优化，以最大限度地提高醇生产率，同时最大限度地降低不希望的CO₂和CH₄选择性。揭示了这些指标之间的内在权衡，识别出人类专家不易辨别的帕累托最优催化剂。

3）最后，基于特征重要性分析，研究人员制定了基于数据的指南，以开发性能特定的FeCoCuZr系统。这种方法超越了现有的HAS催化剂设计策略，适用于更广泛的催化转化，并促进了实验室的可持续性。

参考电竞投注官网

Suvarna, M., Zou, T., Chong, S.H. et al. Active learning streamlines development of high performance catalysts for higher alcohol synthesis. Nat Commun 15, 5844 (2024).

DOI：10.1038/s41467-024-50215-1

https://doi.org/10.1038/s41467-024-50215-1