Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Development of Data-assisted Photo-Organocatalytic Transformations

Description du projet

Appliquer la science des données à la conception de photocatalyseurs

La catalyse organophotoredox a fait l’objet d’une attention particulière dans le domaine de la chimie durable. Cette méthode utilise des colorants peu coûteux, sans métal, qui peuvent être adaptés à des réactions spécifiques. Prévoir le comportement de ces colorants dans différents systèmes est toutefois complexe. Les approches traditionnelles reposent souvent sur des méthodes d’essai et d’erreur qui prennent du temps et sont coûteuses. Avec le soutien du programme Actions Marie Skłodowska-Curie, le projet PhotoCatData entend appliquer une solution axée sur les données pour rationaliser la conception de photocatalyseurs et la découverte de réactions. L’étude s’appuiera sur l’apprentissage automatique pour établir une corrélation entre les structures des photocatalyseurs et leurs performances. Les méthodologies photochimiques proposées seront ensuite adaptées aux processus de flux, ce qui permettra de produire de manière efficace et à grande échelle des composés de valeur. Les méthodologies du projet devraient contribuer à de gagner du temps, réduire les coûts et élargir le potentiel de la catalyse organophotoredox.

Objectif

Photocatalysis is now a well-established method for developing sustainable protocols in synthetic organic chemistry. Organophotoredox catalysis, in particular, is gaining significant interest due the use of inexpensive, easy-to-make, metal-free organic dyes with tunable photophysical properties. Structural modification of these organic molecules is crucial to fine-tune their redox features for desired photochemical transformations. However, predicting the final excited-state properties of functionalized dyes remains challenging, especially when compatibility with the reaction system is required. This has led to a resource-intensive trial-and-error approach to identify the optimal photocatalyst structure for specific transformations, limiting its widespread application. A promising solution is data science, which can streamline the relationship between the chemical structure of dyes and their function, facilitating their application. The computer-assisted development of innovative systems in organophotoredox catalysis can offer novel possibilities for large-scale applications, reducing time, reagent consumption, and costs compared to traditional methods. This proposal aims to develop new data-assisted protocols for reaction discovery and photocatalyst design. During the outgoing phase at the University of Utah, under Prof. Sigman's supervision, machine learning algorithms will be used to correlate photocatalysts' structures with their functions. Classification tools will explore reactivity cliffs, and dimensionality reduction techniques will map the chemical space to visualize reactivity patterns with fewer experiments. In the subsequent return phase at the University of Padova, under Prof. Dell'Amico's supervision, these photochemical methodologies will be adapted for flow processes to produce synthetically relevant compounds on a multi-gram scale. The data science knowledge acquired will guide this transition, enabling a more efficient implementation.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-TMA-MSCA-PF-GF - HORIZON TMA MSCA Postdoctoral Fellowships - Global Fellowships

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-MSCA-2024-PF-01

Voir tous les projets financés au titre de cet appel

Coordinateur

UNIVERSITA DEGLI STUDI DI PADOVA
Contribution nette de l'UE
€ 396 991,08
Coût total
Aucune donnée

Partenaires (1)