Gesellschaft Deutscher Chemiker
Anonymous

Anonymous

Keine Benachrichtigungen
Sie haben noch keine Lesezeichen
Abmelden

Trendbericht Physikalische Chemie 2022

In‐situ‐Spektroskopie und Katalyse

Von Wiley-VCH zur Verfügung gestellt

Die Aufklärung von Reaktionsmechanismen ist in der Katalyse wichtig, um die geschwindigkeitsbegrenzende Schritte zu verstehen und zu beschleunigen. Mit maschinellem Lernen lassen dann sich auf Basis der Mechanismen neue Katalysatoren entwickeln. Photochemische Umsetzungen in weichen Membranen folgen einer anderen Kinetik als Reaktionen in Lösung. Mikroschwimmer, Mikromotoren oder Phototaxis zählen zu aktiver Materie. Sie wandeln kontinuierlich Energie aus ihrer Umgebung um und bewegen sich autonom.

In-situ-Spektroskopie und Katalyse

Um katalytische Reaktionen gezielt weiterzuentwickeln, sind die einzelnen Reaktionsschritte, ihr Energieprofil und die Struktur der beteiligten Intermediate zu kennen. Nur so ist es möglich, die limitierenden Faktoren der Reaktion zu ermitteln und durch neue Katalysatoren zu überwinden. Dabei reicht es nicht, einen Schritt alleine als geschwindigkeitsbestimmend zu sehen, sondern das gesamte Energieprofil des Katalysezyklus ist im Energiespannenmodell zu beachten.1)

Bei der Aufklärung von Reaktionsmechanismen in der Katalyseforschung hat die In-situ-Spektroskopie eine besondere Rolle. Mit elektromagnetischer Strahlung lassen sich Katalysatoren bei der Reaktion beobachten – also in situ oder operando. Nur so ist es möglich, Intermediate und katalytisch aktive Spezies direkt zu beobachten, so ihre Struktur aufzuklären und ihre Menge zu quantifizieren. Die Katalyseforschung ist dabei nicht auf eine Technik festgelegt, sondern kann aus dem Pool, der über die letzten Jahrzehnte entwickelten Methoden wählen. Je nach Reaktion kommen in-situ-IR-2) und Ramanspektroskopie3) infrage, NMR-4) und EPR-Spektroskopie oder Röntgentechniken wie Exafs(Extended X-ray Absorption Fine Structure)-5) und Xanes(X-ray absorption near edge structure)-6)Spektroskopie. Die Wahl der Methode richtet sich dabei nach der zu untersuchenden Reaktion und der zu beantwortenden Frage. Beispielsweise liefert die NMR-Spektroskopie Strukturinformationen in homogenen Reaktionen mit Phosphanliganden, kommt aber schnell an ihre Grenzen, wenn radikalische Spezies auftreten.

Um die Vorteile der einzelnen Methoden zu verstärken und die Nachteile auszugleichen, werden oft mehrere Methoden kombiniert.7,8) Dabei besteht die Schwierigkeit darin, die Reaktionen stets unter identischen Bedingungen (Temperatur, Druck, Konzentration) zu untersuchen, da ansonsten ein analysenmethodenspezifischer Bias nicht auszuschließen ist.

Beispiel Carbonylierung

Beispiele für die Entwicklung der letzten Jahre sind die In-situ-Raman- und die NMR-Spektroskopie zur Reaktionsaufklärung CO-freier Carbonylierungsreaktionen (Abbildung 1). Bei dieser Reaktion ersetzen Vorläufermoleküle wie Formaldehyd das Kohlenmonoxid, die dann während der Reaktion als CO-Äquivalent fungieren.

a) In-situ-13C-NMR-Spektren bei 100 °C während einer CO-freien Carbonylierung. Bei 176 ppm ist die Zunahme des Produkts Methylnonanoat zu erkennen. b) Gemessene Edukt- und Produktkonzentration mit Fit während einer CO-freien Carbonylierung. c) Kinetisches Modell einer CO-freien Carbonylierung, abgeleitet aus qualitativen und quantitativen NMR-Messungen.

In einer ersten Studie wurde die Kinetik der Depolymerisation von Paraformaldehyd zu Formaldehyd in Methanol untersucht.9) Dabei zeigte die In-Situ-Beobachtung der O-C-O-Streckschwingung des Produkts H2C(OCH3)2 im Ramanspektrum: Pd-Phosphan-Katalysatoren erhöhen die Aktivierungsenergie der Depolymerisation und verlangsamen somit die Reaktion.

Die kinetischen Informationen aus der ersten Studie flossen in die zweite Studie ein, bei der dann der eigentliche Carbonylierungsprozess mit In-situ-NMR-Spektroskopie bei 100 °C verfolgt wurde.10) Dabei wurden neue Intermediate wie die Formylspezies [Pd(dtbpx)(CHO)(H)] (dtbpx = 1,2-Bis(di-tert-butylphosphino)xylene) identifiziert und die Kinetik der Reaktion vollständig analysiert. Die 1H- und 13C-NMR-Spektren wurden mit einem Abstand von je zehn Minuten aufgenommen, um ausreichend qualitative Struktur- und quantitative Konzentrationsinformationen zu erhalten.

In-situ-Spektroskopie ist immer ein Kompromiss zwischen zeitlicher und Strukturauflösung. Im Gegensatz zur Ex-situ-Spektroskopie lässt sich die Messzeit nicht beliebig erweitern, da ansonsten nur ein zeitliches Mittel über alle auftretenden Spezies detektiert wird. Die Messzeit darf je nach Methode aber auch nicht zu kurz sein, da ansonsten gerade katalytisch aktive Spezies in niedrigen Konzentrationen im Rauschen der Messmethode untergehen.

Von technischen und methodischen Weiterentwicklungen der Spektroskopiemethoden in den kommenden Jahren wird die Katalyseforschung besonders profitieren, da so der Kompromiss zwischen zeitlicher und Strukturauflösung kleiner wird. Beispiele sind die Messungsparallelisierung durch neue Pulssequenzen in der NMR-Spektroskopie11) und die Nutzung von Quantenkaskadenlasern in der IR-Spektroskopie.12)

Neue Liganden durch maschinelles Lernen

Mit der möglichst vollständigen Kenntnis des Reaktionsmechanismus stellt sich die Frage, wie sich ein bestimmter Katalysezyklus optimieren lässt. Der Optimierungsparameter ist hierbei nicht notwendigerweise auf die Produktausbeute beschränkt, sondern kann sich auch auf die Enantioselektivität, die Energieeffizienz oder die Reaktionszeit beziehen. Der Mechanismus ist dabei die Grundlage, um zu ermitteln, welche Elementarreaktion zu verändern ist.

Oft sind in der Katalyse die Struktur-Eigenschaftsbeziehungen und die Struktur-Outcome-Beziehungen komplex und nichlinear. Während die rückwirkende physikalisch-chemische Analyse eines katalytischen Prozesses beschreibende Modelle liefert, scheitern Vorhersagen zumeist an der Komplexität des Prozesses.

Hohe Rechenleistungen und sich schnell entwickelnde Methoden maschinellen Lernens eröffnen für diese Verfahren besonders in der Katalyseforschung neue Möglichkeiten. Ziel ist es, den Entwicklungsprozess neuer Katalysatoren zu beschleunigen, indem die Katalysatorstruktur parametrisiert wird und so Korrelationen zwischen Strukturmerkmalen und dem Reaktionserfolg erkennbar werden.

In der physikalischen und theoretischen Chemie werden seit langem große Datensätze aufgenommen und analysiert. Während beispielsweise spezifische NMR-Resonanzen von neuen Substanzen gut manuell zu erfassen und auszuwerten sind, lassen sich tausende Spektren nur automatisiert erfassen und müssen computergestützt ausgewertet werden.

Das Entwickeln von Kompetenzen, um solche großen Mengen reaktionsspezifischer Analysendaten aus unterschiedlichen Quellen erfassen und verarbeiten zu können, ist aktuell eine schwierige Aufgabe bei der Digitalisierung der Katalyseforschung.

Optimierung in mehreren Schritten

Eine Katalysatoroptimierung für einen homogenen Katalysatorkomplex verläuft üblicherweise in vier Schritten (Abbildung 2): Der erste Schritt schafft eine Grundlage, um eine Katalysatorbibliothek aufzubauen. Dazu wird die Performance verfügbarer Katalysatoren, also Ausbeute, Geschwindigkeit, Selektivität der Reaktionen, die sie katalysieren, experimentell ermittelt. Alternativ lässt sich der Katalysezyklus für zum Beispiel verschiedene Liganden berechnen. Ziel ist dabei, den Einfluss möglichst unterschiedlicher Strukturen auf den Reaktionsausgang abzubilden. Hier zeigt sich, wie nützlich es ist, den Mechanismus aus In-situ-Experimenten zu kennen, um die relevanten Strukturen gezielt berechnen zu können und die geschwindigkeitsbestimmenden Zustände bereits aus dem Experiment zu kennen. Üblicherweise wird eine zweistellige Zahl unterschiedlicher hier Katalysatoren getestet; die katalysierte Reaktion bleibt dabei die gleiche.

Ablauf einer durch maschinelles Lernen gestützten Katalysatoroptimierung: 1. Schaffung einer experimentellen Datengrundlage, 2. einer Katalysatorbibliothek, 3. der Nutzung von free energy relationships zur Vorhersage und 4. Katalysatorsynthese.

Im zweiten Schritt wird eine Katalysatorbibliothek aufgebaut. Dazu werden mit Methoden aus der theoretischen Chemie die Strukturen und Eigenschaften möglichst vieler potenzieller Katalysatoren berechnet. Je nach untersuchter Reaktion muss dazu nicht immer eine neue Datenbank aufgebaut, sondern es kann auf existierende Bibliotheken zurückgegriffen werden. Gensch et al. haben beispielsweise die „Kraken“-Bibliothek publiziert, die Eigenschaften von über 300 000 Monophosphanen listet (Abbildung 3).13) Diese eignet sich als Grundlage homogener Kreuzkupplungen, Hydroformylierungen oder C-H Funktionalisierungen.

Ausschnitte der Kraken-Bibliothek mit ausgewählten Strukturen. Um die Dimensionen zu reduzieren, wurde die Uniform Manifold Approximation and Projection (UMAP) verwendet.

Für die heterogene Katalyse gibt es mit dem Open-Catalyst-2020-(OC20)-Datensatz ähnliche Bemühungen.14)

Im dritten Schritt werden die Strukturen und Eigenschaften der untersuchten Katalysatoren mit dem Reaktionsausgang in free energy relationships (Freie-Enthalpie-Beziehungen) korreliert. Hier wird die Notwendigkeit klar, die Katalysatorstruktur über Bindungslängen und -winkel hinaus zu parametrisieren. Als wegweisend zur Katalysatorparametrisierung von Homogenkatalysatoren gilt die Publikation von Sigman et al., in der die Autoren zeigen, wie sich enantioselektive Nozaki-Hiyama-Kishi-Reaktionen mit Sterimolparametern optimieren lassen (Abbildung 4).15,16) Wie dieselbe Gruppe gezeigt hat, korrelieren je nach Reaktion auch Schwingungsfrequenzen oder Elektronendichteverteilungen als Deskriptoren mit der Ausbeute der untersuchten Reaktionen.17,18)

Sterimol-Parameter, die Liganden und Substituenten sterisch beschreiben. Nach Verloop.15)

Mit einer Hauptkomponentenanalyse und maschinellem Lernen, das ein neuronales Netz oder eine Support Vector Machine (SVM) verwendet, können auch unerwartete, nicht lineare Zusammenhänge sichtbar werden. Eine SVM ist eine Art des maschinellen Lernens, bei dem ein Trainingsdatensatz Datenpunkte mit unterschiedlicher Kategorien enthält. Die SVM versucht nun eine Grenze zwischen die Gruppen zu legen, sodass ein neuer Datenpunkt aus einem Testdatensatz einer der Gruppen zugeordnet werden kann. Die namesgebenden Unterstützungsvektoren sind Datenpunkte in der Nähe der Grenze und bestimmen diese somit.

Anschließend kann die im zweiten Schritt aufgebaute Bibliothek gezielt nach Verbindungen durchsucht werden, deren Strukturparameter eine optimale Reaktionsführung vermuten lassen. Das Ergebnis dieses von theoretischer Chemie und maschinellem Lernen getragenen Prozesses ist eine Liste fünf bis zehn möglicher, hochaktiver Katalysatoren aus einer Gruppe von 105 bis 106 potenziellen Kandidaten.

Die besten Strukturen können dann im vierten und letzten Schritt synthetisiert und auf ihre Aktivität hin untersucht werden. Insgesamt wird der gesamte Entwicklungsprozess so beschleunigt.

Die Methoden bei der Katalysatoroptimierung sind bei homogener und heterogener Katalyse unterschiedlich, der generelle Ablauf ist aber identisch. Neben den Arbeiten von Sigman sind weitere Arbeiten beispielhaft, etwa von Taniike zur oxidativen Kupplung von Methan mit Mn−Na2WO4/SiO2 und verwandten heterogenen Katalysatoren sowie von Corminboeuf et al., die Übergangsmetall-Ligand-Kombinationen zur Optimierung von C-C-Kreuzkupplungen untersucht haben.19,20)

Ausblick: mehr Chemoinformatik

Die Kombination von In-situ-Spektroskopie zur Aufklärung von Reaktionsmechanismen und maschinellem Lernen gepaart mit Rechnungen aus der theoretischen Chemie ist einer der entscheidenden Trends für die Entwicklung der Katalyse im kommenden Jahrzehnt. Messtechnische Fortschritte, die eine höhere Empfindlichkeit und Zeitauflösung liefern, schnellere Computersysteme und effiziente Algorithmen werden diese Entwicklung zusätzlich beschleunigen. Das Potenzial dieses interdisziplinären Ansatzes aus Spektroskopie und Chemoinformatik wird dringend benötigt, um den Umbau der chemischen Industrie im Zuge des Klimawandels voranzubringen.

Drei Fragen an den Autor: Robert Geitner

Seit wann befassen Sie sich mit maschinellem Lernen?

Ich beschäftige mich seit Beginn meiner Promotion im Jahr 2014 mit maschinellem Lernen. Spektroskopiedaten haben wir dabei stets mit selbstgeschriebenen Analyseskripten eingelesen, ausgewertet und verarbeitet.

Wie kamen Sie dazu?

Ich hatte das Glück, mit Thomas Bocklitz in einem Büro zu sitzen. Von ihm habe ich während der Promotion viel über maschinelles Lernen und den Einsatz in der Spektroskopie gelernt.

Auf welchem Gebiet erwarten Sie in nächster Zeit die größten Fortschritte?

Die größten Fortschritte bei der Cheminformatik erwarte ich durch neue Methoden für kleine Datensätze und durch den Aufbau von frei zugänglichen Datenbanken zum Beispiel durch die NFDI4Chem-Initative.

Robert Geitner, ist seit 2021 Tenure-Track-Juniorprofessor an der TU Ilmenau und leitet dort das Fachgebiet Physikalische Chemie/Katalyse. Er hat Chemie in Jena studiert und dort 2017 bei Jürgen Popp über Ramanspektroskopie promoviert. Anschließend wechselte er nach Utrecht zu Bert Weckhuysen, wo er an der Katalyse forschte, bevor er nach Jena zurückkehrte, um bei Ulrich S. Schubert an Batteriesystemen zu arbeiten.

  • 1 S. Kozuch, S. Shaik, Acc. Chem. Res. 2011, 44, 101–110
  • 2 J. M. Dreimann, E. Kohls, H. F. W. Warmeling et al., ACS Catal. 2019, 9, 4308–4319
  • 3 C. Hess, Chem. Soc. Rev. 2021, 50, 3519–3564
  • 4 Y. Ben-Tal, P. J. Boaler, H. J. A. Dale et al. Prog. Nucl. Magn. Reson. Spectrosc. 2022, DOI: 10.1016/j.pnmrs.2022.01.001.
  • 5 J. Timoshenko, B. Roldan Cuenya, Chem. Rev. 2021, 121, 882–961
  • 6 S.-C. Lin, C.-C. Chang, S.-Y. Chiu et al., Nat. Commun. 2020, 11, 3525
  • 7 S. Klingler, J. Hniopek, R. Stach, M. Schmitt, J. Popp, B. Mizaikoff, ACS Meas. Au 2021, DOI: 10.1021/acsmeasuresciau.1c00048.
  • 8 C. Kubis, I. Profir, I. Fleischer, Chem. – Eur. J. 2016, 22, 2746–2757
  • 9 R. Geitner, B. M. Weckhuysen, Chem. – Eur. J. 2020, 26, 5297–5302
  • 10 R. Geitner, A. Gurinov, T. Huang, S. Kupfer, S. Gräfe, B. M. Weckhuysen, Angew. Chem. Int. Ed. 2021, 60, 3422–3427
  • 11 E. Kupce, L. Frydman, A. G. Webb, J. R. J. Yong, T. D. W. Claridge, Nat. Rev. Methods Primers 2021, 1
  • 12 Y. J. Lee, US Patent Appl. No. 16,164,859 2019
  • 13 T. Gensch, G. Dos Passos Gomes, P. Friederich e t al., J. Am. Chem. Soc. 2022, doi: 10.1021/jacs.1c09718.
  • 14 L. Chanussot, A. Das, S. Goyal, ACS Catal. 2021, 11, 6059–6072
  • 15 A. Verloop, W. Hoogenstraaten, J. Tipker in: E. J. Ariëns (Hrsg.), Drug Design, Elsevier, Amsterdam 1976, 165–207
  • 16 K. C. Harper, E. N. Bess, M. S. Sigman, Nat. Chem. 2012, 4, 366–374.
  • 17 A. Milo, E. N. Bess, M. S. Sigman, Nature 2014, 507, 210–214
  • 18 S. Zhao, T. Gensch, B. Murray, Z. L. Niemeyer, M. S. Sigman, M. R. Biscoe, Science 2018, 362, 670–674
  • 19 T. N. Nguyen, T. T. P. Nhat, K. Takimoto et al. ACS Catal. 2020, 10, 921–932
  • 20 B. Meyer, B. Sawatlon, S. Heinen, O. A. von Lilienfeld, C. Corminboeuf, Chem. Sci. 2018, 9, 7069–7077

Wissenschaft + ForschungTrendberichte

18

Überprüfung Ihres Anmeldestatus ...

Wenn Sie ein registrierter Benutzer sind, zeigen wir in Kürze den vollständigen Artikel.