Sinergizar un gráfico de conocimientos y un modelo de lenguaje amplio para la recomendación de vías de catálisis de...

Área de la Ciencia:

• Catálisis
• Ingeniería Química
• Química computacional

Sus antecedentes:

• La catálisis por relés permite transformaciones eficientes en varios pasos, pero el diseño de las vías requiere mucha mano de obra.
• Los métodos actuales se basan en gran medida en el análisis de la literatura de expertos, lo que limita la velocidad y el alcance del descubrimiento.

Objetivo del estudio:

• Desarrollar un enfoque automatizado para recomendar vías de catálisis de relevos en varias etapas.
• Acelerar el diseño y el descubrimiento de nuevas secuencias de reacción catalítica.

Principales métodos:

• Integración de un gráfico de conocimientos (KG) y grandes modelos lingüísticos (LLM) para la recomendación de vías.
• Adquisición y organización de datos asistida por LLM para construir un gráfico de conocimiento de catálisis integral (Cat-KG).
• Reglas de puntuación y generación de texto impulsada por LLM para la validación y presentación de la ruta.

Principales resultados:

• El método recomendó con éxito las vías de catálisis de relevo para etileno, etanol y 2,5-furandicarboxilato en cuestión de minutos.
• Las vías identificadas fueron consistentes con las reportadas, demostrando efectividad y potencial para nuevos descubrimientos.
• El sistema generó ecuaciones y descripciones químicas legibles, integrando conocimientos fiables de catálisis.

Conclusiones:

• La estrategia combinada de KG y LLM automatiza el descubrimiento de vías de catálisis de relevo.
• Este enfoque reduce significativamente el tiempo y el costo asociados con el diseño de reacciones catalíticas complejas.
• La estrategia muestra el potencial para extrapolar las vías de catálisis de relevo conocidas e identificar nuevas.