AI驱动Reac-Discovery平台：革新化学反应器设计

自驱动实验室系统为化学反应器设计带来前所未有的精度与速度，但现有研究在几何参数模型上仍存局限。针对此，西班牙IMDEA材料研究所推出Reac-Discovery平台，基于周期性开孔结构，为先进催化反应器提供创新解决方案。

传统反应器工程依赖3D打印技术制造具有规则孔洞的周期性开孔结构（POCs），构建网格状反应器，促进气体、液体和热量顺畅流动。结合人工智能，实验室实现自我调节：自动化平台监测温度、流速和反应进程，并自主优化实验方案。这类自驱动实验室系统正深刻改变反应器设计的速度和精度。

尽管数字化和自动化结合带来突破，现有研究仍缺乏针对孔隙率、表面积等几何参数的统一模型。传统方法如计算流体力学（CFD）模拟存在效率低、成本高的问题，且设计依赖人工经验和专用软件，缺乏可推广的统一框架。

Reac-Discovery平台基于周期性开孔结构，采用集成设计、制造与优化模块的闭环体系，能并行多反应器评估，具备实时核磁共振（NMR）监测、机器学习（ML）优化功能。此平台不仅提升性能、反应效率，还减少材料消耗，提高系统通用性。

研究成果以“Reac-Discovery: an artificial intelligence–driven platform for continuous-flow catalytic reactor discovery and optimization”为题，发表于Nature Communications。

研究亮点：

* 结合数学建模、机器学习与自动化实验系统，实现催化反应器从设计、制造到优化的全流程一体化；

* 将拓扑参数纳入优化空间，突破传统方法调控单一变量的局限；

* 构建基于神经网络的性能预测模型，提高实验效率与资源利用率。

论文地址：https://go.hyper.ai/ueB79

自主生成数据集，支撑闭环优化

研究未采用外部公开数据集。Reac-Discovery平台自主生成涵盖几何结构、可打印性与反应性能的多维内部数据体系。根据平台Reac-Gen、Reac-Fab、Reac-Eval三个功能模块，数据集分为三部分：

* 结构参数化数据集：利用数学参数化模型生成POCs；

* 可打印性数据集：基于结构参数与打印结果对应关系生成；

* 反应性能数据集：实时记录温度、流速等数据形成。

目前，从生成到验证的闭环框架数据已上传至Zenodo。

数据集链接：https://hyper.ai/datasets/45520

Reac-Discovery：三模块集成，实现一体化流程闭环

Reac-Discovery以机器学习为核心，形成“生成-制造-评估-优化”的一体化流程闭环。主要模块包括Reac-Gen、Reac-Fab和Reac-Eval，各模块功能相互关联：

* Reac-Gen：参数化生成POC结构；

* Reac-Fab：通过高分辨率3D打印算法验证可打印性；

* Reac-Eval：利用机器学习优化工艺和几何形状。

Reac-Gen：几何建模与参数化设计

Reac-Gen负责反应器几何设计与参数化建模。基于预定义数学方程生成POC结构，调节尺寸等参数生成多样化几何拓扑。该模块数字化建模与结构量化工作流程包括：

* 建立模型并生成隐式曲面；

* 网格化处理并调整尺度；

* 生成制造与数据分析文件。

Reac-Fab：从可行性验证到样品打印

Reac-Fab负责物理制造，采用高分辨率SLA 3D打印技术实现结构构建。工作流程包括：

* 预测可打印性并进行打印设置；

* 功能化处理得到样品。

Reac-Eval：实验验证与双重优化

Reac-Eval负责实验验证与优化。集成评估多个结构化催化反应器，对多相反应实时监测与自动调控。工作流程包括：

* 定义边界条件并完成实验初始化；

* 实时监控反应并采集数据；

* 基于机器学习模型进行优化。

Reac-Discovery应用效果双重验证

苯乙酮加氢反应验证

研究团队选择苯乙酮加氢反应作为测试对象，通过两阶段优化路径评测Reac-Discovery的优化能力。实验数据表明，M1模型预测与实验结果高度一致，M2模型预测精度进一步提升。

CO₂环加成反应

研究团队采用CO₂环加成反应进一步验证平台适应性。实验结果表明，实验筛选出的理论最优条件与预测值完全一致，验证了Reac-Discovery的跨体系泛化能力与稳定性。

AI融合，自驱动实验室成化学研究新范式