An Overview of the Department's Activities - Leibniz-Institut für ...
An Overview of the Department's Activities - Leibniz-Institut für ...
An Overview of the Department's Activities - Leibniz-Institut für ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Bereich Katalysatorenentwicklungen und Reaktionstechnik<br />
Reaktionstechnik<br />
Reaction Engineering<br />
Dr. David Linke<br />
Themenleiter<br />
Tel.: (0381) 1281 – 247<br />
Fax: (0381) 1281 – 51247<br />
david.linke@catalysis.de<br />
Massgeschneiderte Optmieralgorithmen<br />
<strong>für</strong> die Katalysatorsuche<br />
Heterogene Katalysatoren bestehen häufig aus zahlreichen<br />
Komponenten. Eine sehr große <strong>An</strong>zahl von Komponenten<br />
kommt als Katalysatorbestandteil in Frage. Darüber hinaus<br />
kann die Katalysatorpräparation auf unterschiedlichen Wegen<br />
erfolgen. Sowohl die Präparation als auch die Zusammensetzung<br />
bestimmen letztendlich die<br />
60 katalytischen Eigenschaften, d.h.<br />
search for new catalytic materials lea-<br />
Modelle zu reduzieren. Die Idee ist, den komplexen Zusam- materials is shown in <strong>the</strong> Figure. With surrogate modelling <strong>the</strong> 61<br />
die Aktivität, Selektivität und Stabilität<br />
und damit die Eignung <strong>für</strong><br />
den Einsatz in einem chemischen<br />
Prozess. Aus ma<strong>the</strong>matischer Sicht<br />
ist die Suche nach besseren Katalysatoren<br />
also ein hoch-dimensionales<br />
Optimierungsproblem.<br />
Da die Katalysatorleistung nicht<br />
analytische beschreiben werden<br />
kann, sondern durch Experimente<br />
bestimmt werden muss, ist die<br />
Optimierung sehr zeit- und kostenaufwändig.<br />
Aufgrund der experimentellen<br />
Bestimmung der<br />
Zielfunktion können viele Optimiermethoden<br />
nicht angewandt<br />
werden, da die ausreichend<br />
präzise Bestimmung von Gradienten<br />
aufgrund des Messfehlers<br />
üblicherweise nicht möglich ist. Daher werden gradientenfreie<br />
Methoden bevorzugt, sowohl deterministische wie die Simplex<br />
Methode oder die holografische Optimierung als auch stochastische<br />
wie genetische Algorithmen oder Simulated <strong>An</strong>nealing.<br />
Genetische Algorithmen werden am häufigsten angewendet;<br />
ihre <strong>An</strong>wendung im Bereich der Katalyse ist aber längst keine<br />
Routine. Die Hauptschwierigkeit bei der <strong>An</strong>wendung ist, dass<br />
sowohl diskrete als auch kontinuierliche Variablen zu optimieren<br />
sind und gleichzeitig zahlreiche Nebenbedingungen eingehalten<br />
werden sollen.<br />
Seit Beginn der Hochdurchsatzforschung sind wir ein Pionier<br />
auf dem Gebiet der Entwicklung und <strong>An</strong>wendung von genetischen<br />
Algorithmen in der Katalysatoroptimierung. In den letzten<br />
Jahren wurde am LIKAT ein neues evolutionäre Optimiersystem<br />
GENACAT entwickelt. Mehrere Erweiterungen und Ver-<br />
Tailormade optmisation algorithm<br />
for catalyst dicovery<br />
Heterogeneous catalysts typically consist <strong>of</strong> several components<br />
with different purpose, which can be selected from among<br />
many substances. Moreover, <strong>the</strong> catalyst can usually be prepared<br />
from <strong>the</strong> individual components in a number <strong>of</strong> ways, and<br />
<strong>the</strong> preparation method also influences its performance in <strong>the</strong><br />
chemical process. Consequently, <strong>the</strong><br />
ding to optimal performance <strong>of</strong> a chemical<br />
reaction is a high-dimensional<br />
optimization task. Since <strong>the</strong> objective<br />
function cannot be analytically described,<br />
its values must be obtained<br />
via experimentation which is costly<br />
and time-consuming. Besides being<br />
slow, this has <strong>the</strong> consequences that<br />
commonly used smooth optimization<br />
methods are not convenient to this<br />
end. Indeed, to obtain sufficiently<br />
precise numerical estimates <strong>of</strong> gradients,<br />
those methods need to evaluate<br />
<strong>the</strong> function in points some <strong>of</strong><br />
which would have a smaller distance<br />
than is <strong>the</strong> measurement error. That is<br />
why methods not requiring derivatives<br />
have been preferred - both deterministic<br />
ones, in particular <strong>the</strong> simplex<br />
method and holographic strategy, and stochastic ones, such as<br />
simulated annealing, or evolutionary algorithms [1]. Evolutionary,<br />
especially genetic algorithms (GA) are encountered most<br />
frequently, but <strong>the</strong>ir application to this area is far from any standard<br />
methodology. Main obstacles on a way to such a methodology<br />
are mixed optimization with respect to continuous and<br />
discrete variables, and constraints.<br />
We have been a pioneer in <strong>the</strong> development and application<br />
<strong>of</strong> genetic algorithms for <strong>the</strong> optimisation <strong>of</strong> catalysts since <strong>the</strong><br />
beginning. In recent years a new, very flexible and powerful system<br />
called GENACT has been developed at <strong>the</strong> LIKAT. Several<br />
modifications and improvements have been integrated into <strong>the</strong><br />
overall approach to catalyst optimisation in collaboration with<br />
<strong>the</strong> <strong>Institut</strong>e for Computer Science in Prague with <strong>the</strong> aim to<br />
reduce <strong>the</strong> number <strong>of</strong> experiments for <strong>the</strong> same progress in <strong>the</strong><br />
besserungen wurden in den Gesamtvorgang des Katalysator-<br />
Optimierungsprozesses in Zusammenarbeit mit dem <strong>Institut</strong> <strong>für</strong><br />
Informatik in Prag integriert, um die Zahl der nötigen Experimente<br />
zu reduzieren bzw. um den Informationsgewinn aus den<br />
Messungen zu maximieren:<br />
(i) Flexible Definition des Suchraumes. Die frühen genetischen<br />
Algorithmen <strong>für</strong> die Katalysatoroptimierung konnten nur einfache<br />
Nebenbedingungen berücksichtigen. Z.B. konnte eine<br />
Obergrenze <strong>für</strong> die Konzentration gesetzt werden, um z.B. den<br />
Gehalt an Edelmetall auf den kommerziell akzeptablen Bereich<br />
zu beschränken. In LIKATs aktuellem evolutionärem Optimiersystem<br />
GENACAT können beliebige Nebenbedingungen<br />
abgebildet werden. Dadurch ist es <strong>für</strong> den Chemiker sehr gut<br />
möglich, Nebenbedingungen, die sich aus chemischer Sicht ergeben,<br />
zu berücksichtigen. Dies kann z.B. eine Einschränkung<br />
<strong>für</strong> das Verhältnis zwischen Elementen sein, um auszudrücken,<br />
dass in einer Kristallstruktur nur ein gewisser <strong>An</strong>teil an Atomen<br />
unter Erhalt der Struktur ausgetauscht werden können. Eine<br />
Besonderheit von GENACAT ist, dass der Suchraum und die<br />
Nebenbedingungen auch während der Optimierung geändert<br />
werden können. Diese Flexibilität beruht darauf, dass GENA-<br />
CAT keinen fertigen starren Algorithmus enthält, sondern einen<br />
Algorithmus <strong>für</strong> die jeweilige Aufgabe auf Basis einer einfachen<br />
Problembeschreibung generiert.<br />
(ii) <strong>An</strong>wendung von Ersatzmodellen. <strong>An</strong>getrieben durch die<br />
Tatsache, dass das Herstellen und Auspüfen einer Generation<br />
von Katalysatoren üblicherweise mehrere Tage dauert und<br />
mit erheblichen Kosten verbunden ist, haben wir nach Wegen<br />
gesucht, die Zahl der nötigen Experimente durch Einsatz von<br />
menhang zwischen katalytischer Leistung und den Parametern<br />
Präparation und Zusammensetzung durch ein ma<strong>the</strong>matisches<br />
Modell zu approximieren. In diesem Zusammenhang spricht<br />
man von Ersatzmodellen. Die Erfolge bei der <strong>An</strong>wendung von<br />
Ersatzmodellen in verschiedenen Disziplinen und erste <strong>An</strong>wendungen<br />
im Bereich der Katalyse [2], haben uns angespornt,<br />
Ersatzmodelle auf Basis von verschiedenen Neuronal Netzen<br />
in GENATCAT zu implementieren und zu testen [3,4]. Die Abbildung<br />
zeigt den Vorteil der Verwendung von Ersatzmodellen<br />
deutlich. Die <strong>An</strong>zahl der Generationen und damit der experimentelle<br />
Aufwand ist bei der modell-unterstützten Optimierung<br />
erheblich reduziert.<br />
(iii) Diversität vs. Optimierung. In der Katalysatoroptimierung<br />
gilt es des Öfteren abzuwägen, wie der Aufwand zwischen der<br />
Optimierung der bisher besten Katalysatoren durch leichte Modifikationen<br />
von Zusammensetzung und Präparation und der<br />
Suche nach anderen guten Katalysatoren verteilt werden soll.<br />
Mit Hilfe von GENACAT und Ersatzmodellen haben wir kürzlich<br />
damit begonnen, gezielt die Diversität bei der Suche zu berücksichtigen.<br />
Dies ist insbesondere nützlich, wenn die besten gefundenen<br />
Proben noch deutlich hinter dem gesetzten Ziel liegen.<br />
Literatur<br />
[1] M. Holena, T. Cukic, U. Rodemerck, D. Linke, Optimization<br />
<strong>of</strong> Catalysts Using Specific, Description Based Genetic<br />
Algorithms, Journal <strong>of</strong> Chemical Information and Modelling,<br />
2008, 48 , 274-282.<br />
[2] L. Baumes, D. Farrusseng, M. Lengliz, C. Mirodatos,<br />
Using artificial neuralnetworks to boost high-throughput<br />
discovery in heterogeneous catalysis. QSAR and Combi-<br />
natorial Science 2004, 23, 767–778.<br />
[3] M. Holena, D. Linke, U. Rodemerck, L. Bajer, Neural Net<br />
works as Surrogate Models for Measurements in Optimi-<br />
optimisation process and to maximise <strong>the</strong> information extractable<br />
from <strong>the</strong> data:<br />
(i) Flexible definition <strong>of</strong> <strong>the</strong> search space. Most <strong>of</strong> <strong>the</strong> early<br />
algorithms could only include simple constraints. E.g. an upper<br />
concentration limit for components which might reflect highest<br />
economically acceptable amount <strong>of</strong> noble metal in a catalyst.<br />
In LIKAT´s current evolutionary optimization system GENACAT<br />
arbitrary constrains can be included. This allows including chemical<br />
reasoning to set constraints on <strong>the</strong> possible ratios <strong>of</strong> <strong>the</strong><br />
components (e.g. limits imposed by <strong>the</strong> crystal structure where<br />
only a certain number <strong>of</strong> atoms can be substituted). It should be<br />
noted that constraints or even <strong>the</strong> search space can be changed<br />
along <strong>the</strong> optimisation within GENACAT. The great flexibility <strong>of</strong><br />
GENACAT is achieved by generating <strong>the</strong> optimisation algorithm<br />
specifically for <strong>the</strong> problem at hand based on a simple specification<br />
language.<br />
(ii) Surrogate Modelling. Motivated by <strong>the</strong> fact that, testing<br />
a generation <strong>of</strong> materials proposed by an evolutionary algorithm<br />
typically needs several to many days <strong>of</strong> time and costs<br />
thousands <strong>of</strong> euros, we have tried to reduce <strong>the</strong> number <strong>of</strong> experiments<br />
needed by modelling <strong>the</strong> objective function. The idea<br />
is to <strong>the</strong> optimization <strong>of</strong> such objective functions is to evaluate<br />
<strong>the</strong> original objective function only sometimes, and to replace<br />
it o<strong>the</strong>rwise with a suitable regression model trained with <strong>the</strong><br />
available data. Such a model is called surrogate model. Several<br />
successful applications <strong>of</strong> this approach have been already<br />
reported also in catalysis [2], inciting us recently to incorporate<br />
surrogate models based on two kinds <strong>of</strong> artificial neural networks<br />
into GENACAT [3,4]. <strong>An</strong> example <strong>of</strong> <strong>the</strong> usefulness <strong>of</strong><br />
surrogate modelling in <strong>the</strong> evolutionary optimization <strong>of</strong> catalytic<br />
optimisation requires significantly fewer generations, i.e. less<br />
time and fewer experiments.<br />
(iii) Diversity vs. optimisation. In catalyst optimisation one <strong>of</strong>ten<br />
has to find a balance between searching new catalysts with<br />
different composition or preparation method and optimising a<br />
catalyst by small changes to <strong>the</strong> composition or its preparation.<br />
For our GENACAT system in combination with surrogate modelling<br />
we have recently begun to specifically target diversity (in<br />
addition to pure optimisation). This is especially helpful when<br />
<strong>the</strong> performance <strong>of</strong> <strong>the</strong> best samples is still relatively far away<br />
from <strong>the</strong> target performance.<br />
zation Algorithms, in: K. Al-Begain, D. Fiems, W. Knotten<br />
belt (eds.), <strong>An</strong>alytical and Stochastic Modeling Techniques<br />
and Applications, Lecture Notes in Computer Science Vol.<br />
6148, Springer Verlag Berlin 2010, 351-366.<br />
[4] M. Holena, D. Linke, U. Rodemerck, Evolutionary Optimi-<br />
zation <strong>of</strong> Catalysts Assisted by Neural-Network Learning,<br />
in: K. Deb et al. (Eds.): SEAL 2010, Lecture Notes in Com-<br />
puter Science Vol. 6457, Springer-Verlag Berlin Heidelberg<br />
2010, 220–229.