Kooien van nanoformaat kunnen een grote rol spelen bij het verminderen van het energieverbruik in wetenschap en industrie, en machine learning-onderzoek aan de Oregon State University heeft tot doel de inzet van deze opmerkelijke moleculen te versnellen.

De poreuze organische kooimoleculen die bij OSU worden bestudeerd, zijn in staat om selectief gasmoleculen op te vangen, mogelijk enorme energiebesparingen mogelijk maken in de talloze gasscheidingen die in de chemische sector worden uitgevoerd.

"Deze poreuze moleculaire vaste stoffen zijn als sponzen die gassen willekeurig opzuigen, " zei Cory Simon, assistent-professor chemische technologie en corresponderende auteur van een studie gepubliceerd in ACS Centrale Wetenschap .

Samen, de scheiding en zuivering van chemische mengsels is verantwoordelijk voor meer dan 10 procent van het wereldwijde energieverbruik.

Poreuze kooimoleculen hebben holtes van nanogrootte die inherent zijn aan hun structuur, en gasmoleculen worden aangetrokken door en gevangen in deze holtes via adsorptie.

"Maar elke kooi adsorbeert bepaalde gassen gemakkelijker dan andere, en deze eigenschap maakt de kooien mogelijk nuttig voor het energiezuiniger scheiden van gasmengsels, " Simon zegt.

Echter, er zijn duizenden van deze kooimoleculen die kunnen worden gesynthetiseerd - om er zelfs maar één van te maken en de eigenschappen ervan te testen duurt maanden in het laboratorium - en in de industrie zijn honderden verschillende chemische scheidingen vereist; vandaar de behoefte aan een computationele benadering om de mogelijkheden te doorzoeken en het beste molecuul voor de klus te vinden.

Simon maakte gebruik van het idee dat de vorm van een bepaalde holte verantwoordelijk is voor de gasmoleculen die deze het gemakkelijkst aantrekt.

Simon en studenten Arni Sturluson, Melanie Huynh en Arthur York gebruikten een 'onbewaakte' machinale leermethode om kooimoleculen te categoriseren en te groeperen op basis van hun holtevormen en, dus, adsorptie eigenschappen.

Zonder toezicht betekent dat de computer het leren over vorm/eigendomsrelaties zelf deed; het kreeg geen labels om het te instrueren.

"Laat de gegevens maar aan het algoritme zien, en het vindt automatisch patronen - structuur - in de gegevens, " Simon zegt.

De onderzoekers gebruikten een trainingsdataset van 74 experimenteel gesynthetiseerde poreuze organische kooimoleculen die elk computationeel werden gescand, resulterend in een 3D "porositeit" beeld van elk vergelijkbaar met een beeld gegenereerd door een CT-scan.

"Op basis van deze 3D-beelden, we lieten ons inspireren door een gezichtsherkenningsalgoritme, eigengezichten, om kooien met gelijkvormige holtes te groeperen, ' zei hij. 'Met behulp van de ontleding van singuliere waarden, we hebben de 3D-afbeeldingen van de kooien gecodeerd in lagerdimensionale vectoren."

Simon legt het proces uit aan de hand van de analogie van de gezichten van mensen.

"Stel je voor dat je werd gedwongen om ieders gezicht in kaart te brengen op een punt in een tweedimensionale scatterplot terwijl je zoveel mogelijk informatie over de gezichten bewaart, "zei hij. "Dus elk gezicht wordt beschreven door slechts twee cijfers, en gelijkaardige gezichten zijn dichtbij gegroepeerd in de spreidingsplot. Eigenlijk, de singuliere waarde decompositie voerde deze codering uit, maar voor poreuze kooimoleculen."

Het onderzoek toonde aan dat de geleerde codering de meest opvallende kenmerken van de holtes van poreuze kooien vastlegt en eigenschappen van de kooien kan voorspellen die verband houden met de vorm van de holte.

"Onze methoden kunnen worden toegepast om latente representaties van holtes in andere klassen van poreuze materialen en van vormen van moleculen in het algemeen te leren, " Simon zegt.