L’un des défis de notre société est de répondre simultanément à une demande croissante en produits manufacturés et la réduction de notre empreinte sur la planète en développant des technologies toujours plus efficaces et durables. Dans le cadre de ce projet, nous souhaitons développer une synthèse raisonnée de composés d’intérêts guidée par une analyse fine et une démarche d’intelligence artificielle. L’optimisation de ces étapes de synthèse pour l’obtention d’un composé permettra une accélération des étapes de découvertes pour une chimie durable.

Les nanoparticules d'or supportées se sont révélées être des catalyseurs très efficaces pour l'oxydation sans base du furfural, un composé dérivé de la biomasse. Leur petite taille permet d'obtenir un rapport surface/volume élevé, ce qui fournit d'abondants sites actifs pour la réaction. Ces nanoparticules d'or servent de catalyseurs en fournissant des surfaces sur lesquelles les molécules de furfural peuvent s'adsorber et en facilitant le transfert d'électrons entre le substrat et l'agent oxydant. Le rôle du support dans cette réaction a été largement étudié, et les interactions or-support se sont révélées bénéfiques. Cependant, le mécanisme exact de l'oxydation du furfural dans des conditions sans base reste un domaine de recherche actif et n'est pas encore entièrement compris. Dans cette étude, nous examinons les facteurs essentiels qui influencent la sélectivité de l'oxydation du furfural. Nous présentons un processus d'optimisation qui met en évidence le rôle significatif de l'apprentissage automatique dans l'identification du meilleur catalyseur pour cette réaction en utilisant des données expérimentales sur un total de 93 catalyseurs synthétisés au laboratoire.