Advances and Challenges in Computational Chemistry for Heterogeneous Catalysis: From DFT to Artificial Intelligence
Avancées et Défis de la Chimie Computationnelle en Catalyse Hétérogène : De la DFT à l’Intelligence Artificielle
Résumé
By accelerating chemical reactions and directing them towards products of industrial interest, catalysis stands as an essential pillar of contemporary chemistry. In the field of heterogeneous catalysis, numerous computational tools derived from theoretical chemistry are available to chemists for studying surface phenomena and designing efficient solid catalysts. Notably, density functional theory, especially when combined with microkinetic modelling, proves highly relevant for elucidating various chemical process mechanisms and for optimizing the composition and morphology of catalysts for a range of applications. However, these computational methods, particularly those related to quantum chemistry, are highly resource- and time-intensive, often requiring drastic simplification of atomistic models, which can result in significant deviations from experimental reality. To address this limitation, the integration of artificial intelligence approaches, and more specifically machine learning techniques, appears particularly promising. This approach involves estimating an observable by simply applying a statistical model, without resorting to explicit molecular modelling calculations, thereby replacing lengthy simulations with near-instantaneous predictions. The reliability of these predictions depends on the quality and size of the training datasets, as well as on the choice of mathematical model, ranging from standard linear regression to more advanced non-parametric methods. Although increasing the complexity of the predictive model generally improves the accuracy of the estimates, overfitting remains a classic pitfall of this strategy, resulting in models that are specific to a particular type of chemical system and difficult to generalize. Recent advances, such as dimensionality reduction through variable compression or machine learning-based interatomic potentials, now make it possible to develop models that tend toward universal applicability. These methods are particularly attractive because they enable the modelling of large systems without having to focus exclusively on the active site of the catalyst, thereby more closely approximating real experimental conditions. By paving the way for the systematic in silico design of solid catalysts and reducing the need for lengthy and tedious experimental campaigns, these digital approaches promise to fundamentally transform the chemical industry, enabling industrial stakeholders to achieve substantial savings in both development time and production costs.
Avec pour rôle d’accélérer les processus réactionnels et de les orienter vers des produits d’intérêt industriel, la catalyse est un pilier incontournable de la chimie contemporaine. Dans le cadre de la catalyse hétérogène, de nombreux outils computationnels issus de la chimie théorique sont à la disposition du chimiste pour étudier les phénomènes de surface et concevoir des catalyseurs solides performants. Notamment, la théorie de la fonctionnelle de densité, surtout lorsqu’elle est associée à la modélisation microcinétique, s’avère très pertinente pour établir les mécanismes réactionnels de différents procédés chimiques et pour optimiser la composition et la morphologie d’un catalyseur selon les applications visées. Toutefois, ces méthodes numériques, en particulier celles relevant de la chimie quantique, sont très coûteuses en ressources et en temps de calcul, ce qui impose souvent de simplifier drastiquement les modèles atomistiques, au risque de s’éloigner de la réalité expérimentale. Pour pallier cette contrainte, l’intégration de protocoles d’intelligence artificielle, et plus spécifiquement d’apprentissage automatique, s’avère particulièrement prometteuse. Cette approche consiste à estimer un observable par simple application d’un modèle statistique, sans recourir à des calculs explicites de modélisation moléculaire et remplaçant ainsi de longues simulations par des prédictions quasi-instantanée. La fiabilité de ces prédictions dépend de la qualité et de la taille des bases de données d’apprentissage, ainsi que du choix du modèle mathématique, allant de la régression linéaire usuelle à des méthodes non paramétriques plus évoluées. Bien que l’augmentation de la complexité du modèle prédictif permette généralement d’améliorer la précision des estimations, le surapprentissage demeure un écueil classique de cette stratégie, conduisant à des modèles spécifiques d’un type de système chimique donné et difficilement généralisables. Des avancées récentes, telles que la réduction de dimensionnalité par compression des variables ou les potentiels interatomiques issus de l’apprentissage automatique, permettent désormais de développer des modèles à vocation universelle. Ces méthodes sont particulièrement intéressantes car elles rendent possible la modélisation de systèmes de grande taille, sans qu’il soit nécessaire de se focaliser uniquement sur le centre actif du catalyseur, se rapprochant ainsi des conditions réelles de l’expérimentation. En ouvrant la voie à l’élaboration systématique in silico de catalyseurs solides et en limitant le recours à des séries d’expérimentations longues et fastidieuses, ces approches numériques promettent de transformer durablement l’industrie chimique, permettant aux industriels de réaliser des gains substantiels tant en temps de développement qu’en coûts de production.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |