Het enzym laccase kan de chemische structuur van hout op het oppervlak veranderen en zo biochemische modificaties vergemakkelijken zonder de structuur van het materiaal te veranderen. Door functionele moleculen aan elkaar te hechten, Empa-onderzoekers ontwikkelen waterdichte of antimicrobiële houten oppervlakken, bijvoorbeeld. Ook is het mogelijk om zelfklevende houtvezels te maken, die zonder chemische bindmiddelen tot vezelplaten kunnen worden geperst. Deze oplosmiddelvrije vezelplaten worden gebruikt voor de isolatie van ecowoningen.

Het probleem:er zijn veel varianten van laccase, die verschillen in de architectuur van het chemisch actieve centrum, en ze reageren niet allemaal met het gewenste substraat. Omdat het uiterst moeilijk te voorspellen is of een bepaald laccase al dan niet zal reageren met een specifiek substraat, er zijn dure en tijdrovende reeksen experimenten nodig om geschikte laccase-substraatparen te identificeren. Moleculaire simulaties kunnen het probleem oplossen:je hebt gewoon een nauwkeurige structurele analyse van het laccase nodig om het chemische reactiemechanisme voor elke gewenste combinatie op de computer te simuleren. Echter, dit vereist een hoge computercapaciteit en, zelfs dan, zeer tijdrovend en duur zou zijn.

Maar er is een kortere weg:'deep learning'. Met gegevens uit de literatuur en eigen experimenten wordt een computerprogramma getraind om patronen te herkennen:Welk laccase oxideert welk substraat? Wat zijn de beste voorwaarden om het gewenste chemische proces te laten plaatsvinden? Het beste eraan:de zoekopdracht werkt, zelfs als niet alle details over het chemische mechanisme bekend zijn.

Grote vooruitgang in de afgelopen zeven jaar

De beschikbaarheid van de data in een geschikte vorm en de architectuur van het deep learning netwerk zijn cruciaal om dit te laten slagen. Schubert werkt al meer dan zeven jaar met neuronale netwerken. Zijn eerste project over het onderwerp stamt uit 2012, het laatste uit 2018. "In het verleden, we werkten met ondiepe neuronale netwerken:een inputlaag, een verborgen laag en een uitvoerlaag. Vandaag, we werken met aanzienlijk complexere netwerken. Ze bevatten verschillende verborgen lagen en zijn zoveel krachtiger."

Schubert traint zijn algoritmen met bekende datasets en test ze met datasets die het systeem nog nooit eerder heeft gezien. En zijn rapporten over de robuustheid van zijn "slimme houtzoekmachine" zijn verbluffend:in het verleden, hij kon alleen zorgvuldig geselecteerde, zinvolle gegevens om fatsoenlijke resultaten te bereiken. In de tussentijd, ook test hij zijn systemen met deels onbruikbare datastapels. De machine herkent wat hij kan gebruiken en wat niet.

Industriële toepassing van KI

De robuustheid van het systeem maakt het nu al mogelijk om de deep-learningmachine door de industrie te gebruiken. Zelfklevende isolatieplaten worden geproduceerd bij het partnerbedrijf Pavatex, waarmee Schubert al geruime tijd samenwerkt. Het productieproces zit vol sensoren; enorme hoeveelheden data stapelen zich op die ons "iets" vertellen over de kwaliteit van de vervaardigde boards. Alleen wat? De slimme houtzoekmachine van Schubert vindt de verbinding.

De onderzoeker werkt momenteel aan het optimaliseren van de productie op deze manier. Als er op een bepaald punt in de vezelverwerking iets misgaat, the production should be adjusted before the quality of the final product is affected. This saves costly checks on the end product and can slash the error rate in the production process.