Wissenschaft + Forschung

Titankatalysiert lassen sich in der Industrie wichtige α-Olefine (1) mit Ethylen (2) positionsselektiv verzweigen und verlängern. Dies berichtet die Gruppe um Kempe. Den Präkatalysator (3) aktiviert ein Ammoniumsalz durch protolytische Debenzylierung zum kationischen Komplex. Koordination des Olefins und Einschub in die Titan-Kohlenstoff-Bindung bildet zunächst einen verzweigten Alkyltitankomplex. In diesen schiebt ein weiteres Ethylenmolekül ein, bevor ethylenvermittelter β-Hydridtransfer die Produkte (4) freisetzt. UJ<div position="anchor" content-type="graphic" xml:lang="en"><img position="anchor" id="jats-graphic-28" xlink:href="urn:x-wiley:18680054:media:nadc20224126780:nadc20224126780-gra-0010">

</div><ul class="references" id="nadc20224126780-bibl-0016" content-type="uncited-references"><li id="nadc20224126780-bib-0018">
<label>18</label><mixed-citation publication-type="miscellaneous" id="nadc20224126780-cit-0018">Science 2022, 375, 1024</mixed-citation></li></ul>

Meldung

α-Olefine selektiv verlängern und verzweigen

Titankatalysiert lassen sich in der Industrie wichtige α-Olefine (1) mit Ethylen (2) positionsselektiv verzweigen und verlängern. Dies berichtet die Gruppe um Kempe. Den Präkatalysator (3) aktiviert ein Ammoniumsalz durch protolytische Debenzylierung zum kationischen Komplex. Koordination des Ole...

&Uuml;ber das gesamte Jahr verteilt publiziert die Redaktion der Nachrichten aus der Chemie Trendberichte &uuml;ber alle chemischen Disziplinen hinweg.

Trendberichte

Die Aufkl&auml;rung 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 L&ouml;sung. Mikroschwimmer, Mikromotoren oder Phototaxis z&auml;hlen zu aktiver Materie. Sie wandeln kontinuierlich Energie aus ihrer Umgebung um und bewegen sich autonom.
<h2>In-situ-Spektroskopie und Katalyse</h2>
Um katalytische Reaktionen gezielt weiterzuentwickeln, sind die einzelnen Reaktionsschritte, ihr Energieprofil und die Struktur der beteiligten Intermediate zu kennen. Nur so ist es m&ouml;glich, die limitierenden Faktoren der Reaktion zu ermitteln und durch neue Katalysatoren zu &uuml;berwinden. 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 Aufkl&auml;rung von Reaktionsmechanismen in der Katalyseforschung hat die In-situ-Spektroskopie eine besondere Rolle. Mit elektromagnetischer Strahlung lassen sich Katalysatoren bei der Reaktion beobachten &ndash; also in situ oder operando. Nur so ist es m&ouml;glich, Intermediate und katalytisch aktive Spezies direkt zu beobachten, so ihre Struktur aufzukl&auml;ren und ihre Menge zu quantifizieren. Die Katalyseforschung ist dabei nicht auf eine Technik festgelegt, sondern kann aus dem Pool, der &uuml;ber die letzten Jahrzehnte entwickelten Methoden w&auml;hlen. Je nach Reaktion kommen in-situ-IR-2) und Ramanspektroskopie3) infrage, NMR-4) und EPR-Spektroskopie oder R&ouml;ntgentechniken 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 verst&auml;rken 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 auszuschlie&szlig;en ist.
<h2>Beispiel Carbonylierung</h2>
Beispiele f&uuml;r die Entwicklung der letzten Jahre sind die In-situ-Raman- und die NMR-Spektroskopie zur Reaktionsaufkl&auml;rung CO-freier Carbonylierungsreaktionen (<xref rid="nadc20224122539-fig-0001" ref-type="fig">Abbildung</xref> 1). Bei dieser Reaktion ersetzen Vorl&auml;ufermolek&uuml;le wie Formaldehyd das Kohlenmonoxid, die dann w&auml;hrend der Reaktion als CO-&Auml;quivalent fungieren.
<figure><img src="https://media.graphassets.com/QeMaJ7C5TNiT5PN8V1GK" />
<figcaption><label>Abb. 1: </label>a) In-situ-13C-NMR-Spektren bei 100 &deg;C w&auml;hrend einer CO-freien Carbonylierung. Bei 176 ppm ist die Zunahme des Produkts Methylnonanoat zu erkennen. b) Gemessene Edukt- und Produktkonzentration mit Fit w&auml;hrend einer CO-freien Carbonylierung. c) Kinetisches Modell einer CO-freien Carbonylierung, abgeleitet aus qualitativen und quantitativen NMR-Messungen.</figcaption>
</figure>
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 erh&ouml;hen 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 &deg;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 vollst&auml;ndig 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 Strukturaufl&ouml;sung. Im Gegensatz zur Ex-situ-Spektroskopie l&auml;sst sich die Messzeit nicht beliebig erweitern, da ansonsten nur ein zeitliches Mittel &uuml;ber 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 Strukturaufl&ouml;sung kleiner wird. Beispiele sind die Messungsparallelisierung durch neue Pulssequenzen in der NMR-Spektroskopie11) und die Nutzung von Quantenkaskadenlasern in der IR-Spektroskopie.12)
<h2>Neue Liganden durch maschinelles Lernen</h2>
Mit der m&ouml;glichst vollst&auml;ndigen Kenntnis des Reaktionsmechanismus stellt sich die Frage, wie sich ein bestimmter Katalysezyklus optimieren l&auml;sst. Der Optimierungsparameter ist hierbei nicht notwendigerweise auf die Produktausbeute beschr&auml;nkt, sondern kann sich auch auf die Enantioselektivit&auml;t, die Energieeffizienz oder die Reaktionszeit beziehen. Der Mechanismus ist dabei die Grundlage, um zu ermitteln, welche Elementarreaktion zu ver&auml;ndern ist.
Oft sind in der Katalyse die Struktur-Eigenschaftsbeziehungen und die Struktur-Outcome-Beziehungen komplex und nichlinear. W&auml;hrend die r&uuml;ckwirkende physikalisch-chemische Analyse eines katalytischen Prozesses beschreibende Modelle liefert, scheitern Vorhersagen zumeist an der Komplexit&auml;t des Prozesses.
Hohe Rechenleistungen und sich schnell entwickelnde Methoden maschinellen Lernens er&ouml;ffnen f&uuml;r diese Verfahren besonders in der Katalyseforschung neue M&ouml;glichkeiten. 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 gro&szlig;e Datens&auml;tze aufgenommen und analysiert. W&auml;hrend beispielsweise spezifische NMR-Resonanzen von neuen Substanzen gut manuell zu erfassen und auszuwerten sind, lassen sich tausende Spektren nur automatisiert erfassen und m&uuml;ssen computergest&uuml;tzt ausgewertet werden.
Das Entwickeln von Kompetenzen, um solche gro&szlig;en Mengen reaktionsspezifischer Analysendaten aus unterschiedlichen Quellen erfassen und verarbeiten zu k&ouml;nnen, ist aktuell eine schwierige Aufgabe bei der Digitalisierung der Katalyseforschung.
<h2>Optimierung in mehreren Schritten</h2>
Eine Katalysatoroptimierung f&uuml;r einen homogenen Katalysatorkomplex verl&auml;uft &uuml;blicherweise in vier Schritten (<xref rid="nadc20224122539-fig-0002" ref-type="fig">Abbildung</xref> 2): Der erste Schritt schafft eine Grundlage, um eine Katalysatorbibliothek aufzubauen. Dazu wird die Performance verf&uuml;gbarer Katalysatoren, also Ausbeute, Geschwindigkeit, Selektivit&auml;t der Reaktionen, die sie katalysieren, experimentell ermittelt. Alternativ l&auml;sst sich der Katalysezyklus f&uuml;r zum Beispiel verschiedene Liganden berechnen. Ziel ist dabei, den Einfluss m&ouml;glichst unterschiedlicher Strukturen auf den Reaktionsausgang abzubilden. Hier zeigt sich, wie n&uuml;tzlich es ist, den Mechanismus aus In-situ-Experimenten zu kennen, um die relevanten Strukturen gezielt berechnen zu k&ouml;nnen und die geschwindigkeitsbestimmenden Zust&auml;nde bereits aus dem Experiment zu kennen. &Uuml;blicherweise wird eine zweistellige Zahl unterschiedlicher hier Katalysatoren getestet; die katalysierte Reaktion bleibt dabei die gleiche.
<figure><img src="https://media.graphassets.com/wAHvCFbSkioHNV4LkSZx" />
<figcaption><label>Abb. 2: </label>Ablauf einer durch maschinelles Lernen gest&uuml;tzten Katalysatoroptimierung: 1. Schaffung einer experimentellen Datengrundlage, 2. einer Katalysatorbibliothek, 3. der Nutzung von free energy relationships zur Vorhersage und 4. Katalysatorsynthese.</figcaption>
</figure>
Im zweiten Schritt wird eine Katalysatorbibliothek aufgebaut. Dazu werden mit Methoden aus der theoretischen Chemie die Strukturen und Eigenschaften m&ouml;glichst vieler potenzieller Katalysatoren berechnet. Je nach untersuchter Reaktion muss dazu nicht immer eine neue Datenbank aufgebaut, sondern es kann auf existierende Bibliotheken zur&uuml;ckgegriffen werden. Gensch et al. haben beispielsweise die &bdquo;Kraken&ldquo;-Bibliothek publiziert, die Eigenschaften von &uuml;ber 300 000 Monophosphanen listet (<xref rid="nadc20224122539-fig-0003" ref-type="fig">Abbildung</xref> 3).13) Diese eignet sich als Grundlage homogener Kreuzkupplungen, Hydroformylierungen oder C-H Funktionalisierungen.
<figure><img src="https://media.graphassets.com/a5VL33KrQr2gqOTEQvGV" />
<figcaption><label>Abb. 3: </label>Ausschnitte der Kraken-Bibliothek mit ausgew&auml;hlten Strukturen. Um die Dimensionen zu reduzieren, wurde die Uniform Manifold Approximation and Projection (UMAP) verwendet.</figcaption>
</figure>
F&uuml;r die heterogene Katalyse gibt es mit dem Open-Catalyst-2020-(OC20)-Datensatz &auml;hnliche Bem&uuml;hungen.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 &uuml;ber Bindungsl&auml;ngen 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 (<xref rid="nadc20224122539-fig-0004" ref-type="fig">Abbildung</xref> 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)
<figure><img src="https://media.graphassets.com/GqHcMPH2TUiZAyfItqXE" />
<figcaption><label>Abb. 4: </label>Sterimol-Parameter, die Liganden und Substituenten sterisch beschreiben. Nach Verloop.15)</figcaption>
</figure>
Mit einer Hauptkomponentenanalyse und maschinellem Lernen, das ein neuronales Netz oder eine Support Vector Machine (SVM) verwendet, k&ouml;nnen auch unerwartete, nicht lineare Zusammenh&auml;nge sichtbar werden. Eine SVM ist eine Art des maschinellen Lernens, bei dem ein Trainingsdatensatz Datenpunkte mit unterschiedlicher Kategorien enth&auml;lt. 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 Unterst&uuml;tzungsvektoren sind Datenpunkte in der N&auml;he der Grenze und bestimmen diese somit.
Anschlie&szlig;end kann die im zweiten Schritt aufgebaute Bibliothek gezielt nach Verbindungen durchsucht werden, deren Strukturparameter eine optimale Reaktionsf&uuml;hrung vermuten lassen. Das Ergebnis dieses von theoretischer Chemie und maschinellem Lernen getragenen Prozesses ist eine Liste f&uuml;nf bis zehn m&ouml;glicher, hochaktiver Katalysatoren aus einer Gruppe von 105 bis 106 potenziellen Kandidaten.
Die besten Strukturen k&ouml;nnen dann im vierten und letzten Schritt synthetisiert und auf ihre Aktivit&auml;t 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&minus;Na2WO4/SiO2 und verwandten heterogenen Katalysatoren sowie von Corminboeuf et al., die &Uuml;bergangsmetall-Ligand-Kombinationen zur Optimierung von C-C-Kreuzkupplungen untersucht haben.19,20)
<h2>Ausblick: mehr Chemoinformatik</h2>
Die Kombination von In-situ-Spektroskopie zur Aufkl&auml;rung von Reaktionsmechanismen und maschinellem Lernen gepaart mit Rechnungen aus der theoretischen Chemie ist einer der entscheidenden Trends f&uuml;r die Entwicklung der Katalyse im kommenden Jahrzehnt. Messtechnische Fortschritte, die eine h&ouml;here Empfindlichkeit und Zeitaufl&ouml;sung liefern, schnellere Computersysteme und effiziente Algorithmen werden diese Entwicklung zus&auml;tzlich beschleunigen. Das Potenzial dieses interdisziplin&auml;ren Ansatzes aus Spektroskopie und Chemoinformatik wird dringend ben&ouml;tigt, um den Umbau der chemischen Industrie im Zuge des Klimawandels voranzubringen.
<h2>Drei Fragen an den Autor: Robert Geitner</h2>
Seit wann befassen Sie sich mit maschinellem Lernen?
Ich besch&auml;ftige 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 Gl&uuml;ck, mit Thomas Bocklitz in einem B&uuml;ro zu sitzen. Von ihm habe ich w&auml;hrend der Promotion viel &uuml;ber maschinelles Lernen und den Einsatz in der Spektroskopie gelernt.
Auf welchem Gebiet erwarten Sie in n&auml;chster Zeit die gr&ouml;&szlig;ten Fortschritte?
Die gr&ouml;&szlig;ten Fortschritte bei der Cheminformatik erwarte ich durch neue Methoden f&uuml;r kleine Datens&auml;tze und durch den Aufbau von frei zug&auml;nglichen 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 J&uuml;rgen Popp &uuml;ber Ramanspektroskopie promoviert. Anschlie&szlig;end wechselte er nach Utrecht zu Bert Weckhuysen, wo er an der Katalyse forschte, bevor er nach Jena zur&uuml;ckkehrte, um bei Ulrich S. Schubert an Batteriesystemen zu arbeiten.
<div><img src="https://media.graphassets.com/Kacz6Y5gR8yzjaUMAQ7A" /></div>

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

Meldung

α-Olefine selektiv verlängern und verzweigen

Überprüfung Ihres Anmeldestatus ...