Wanneer onderzoekers een nieuwe ontdekking doen, ze hebben de neiging om alleen de resultaten van hun succesvolle experimenten te publiceren. Maar net zo informatief zijn alle experimenten die niet werkten - de mislukte proeven en onjuiste hypothesen, die belangrijke informatie kan bieden. Een team van EPFL-chemici heeft een methodologie ontwikkeld om die lessen te verzamelen en, cruciaal, delen met andere onderzoekers.

Een nieuwe ontdekking is zelden het resultaat van één succesvol experiment. Liever, het wordt meestal geboren uit een lang proces van vallen en opstaan ​​- gecombineerd met een gezonde dosis intuïtie die de wetenschappers in de loop der jaren hebben aangescherpt. Maar het delen van kennis over mislukte pogingen kan het onderzoek voor iedereen gemakkelijker maken, vooral op het gebied van chemische synthese. Dat is wat een team van chemici van EPFL's Laboratory of Molecular Simulation (LSMO) onlangs heeft aangetoond in een artikel dat verscheen in Natuurcommunicatie

LSMO, gevestigd in Sion, is gespecialiseerd in het synthetiseren en simuleren van metaal-organische raamwerken (MOF's) - een speciaal type verbinding dat zo'n 20 jaar geleden werd ontdekt. MOF's bestaan ​​uit metaalionen verbonden door organische moleculen om 3D-kristallen te vormen. Omdat hun moleculen op een bijna oneindig aantal manieren kunnen worden gecombineerd, MOF's bieden veelbelovende kansen in een breed scala aan toepassingen. Chemici van LSMO bestuderen MOF's die CO2 kunnen opnemen om een ​​systeem te ontwikkelen om dit krachtige broeikasgas uit de atmosfeer te verwijderen.

Het probleem is dat het ontwikkelen van nieuwe MOF's enorm veel tijd en energie kost. Dit soort chemische synthese omvat het optimaliseren van veel verschillende variabelen - oplosmiddelsamenstelling, temperatuur, en reactietijd, om er een paar op te noemen. En hoe meer variabelen er zijn, hoe hoger het aantal mogelijke combinaties; onderzoekers kunnen gemakkelijk miljoenen experimenten uitvoeren om met slechts één MOF te komen. Bovendien, de chemische verbindingen en assemblageprocessen die ten grondslag liggen aan de vorming van MOF's zijn nog steeds niet volledig begrepen, wat betekent dat er nog geen basisprincipes zijn die chemici kunnen volgen. Ze moeten in wezen elke keer opnieuw beginnen.

10 miljard dagen

"Daar komt intuïtie om de hoek kijken, zegt Berend Smit, hoofd van de LSMO. "Met ons onderzoek we wilden machine learning-technologie gebruiken om een ​​systematische methode te ontwikkelen voor het kwantificeren van de lessen die uit eerdere ervaringen zijn getrokken."

Zijn team nam als voorbeeld een MOF die goed bekend is bij wetenschappers:HKUST-1. De kristallijne structuur kan variëren, afhankelijk van welke chemische groep wordt gebruikt om het te synthetiseren. Om te meten in hoeverre intuïtie een rol speelt bij het synthetiseren van het juiste soort materiaal, de LSMO-chemici gebruikten eerst een methode die helemaal niet afhankelijk is van intuïtie:een krachtige robotsynthesizer. Hun synthesizer verwerkte niet minder dan negen verschillende variabelen om het proces te reverse-engineeren en alle mogelijke mislukte synthese-experimenten voor een HKUST-1-molecuul te compileren.

"Onze robot kan ongeveer 30 chemische reacties per dag verwerken. Maar zelfs met die hoge doorvoersnelheid, het zou nog bijna tien miljard dagen duren om alle mogelijke reactiecombinaties te doorlopen. Dus onderzoekers die onder normale omstandigheden werken - dat wil zeggen, zonder een robot – duidelijk op intuïtie moeten vertrouwen om een ​​groot aantal mogelijke combinaties uit te sluiten en zich te concentreren op de meest veelbelovende, " zegt Kyriakos Stylianou, hoofd chemische synthese bij LSMO.

Met andere woorden, of ze het nu beseffen of niet, onderzoekers die meerdere (succesvolle) experimenten uitvoeren, krijgen gevoel voor wat wel en niet werkt. Dit "onderbuikgevoel" vertelt hen welke variabelen de grootste invloed kunnen hebben op de uitkomst van een chemische reactie. Bijvoorbeeld, als een wetenschapper ontdekt dat het veranderen van de reactietemperatuur de resultaten van zijn experiment verandert, zelfs een beetje, dan zal hij zich eerder op de temperatuurvariabele concentreren.

De wetenschappelijke gemeenschap overtuigen

De door LSMO ontwikkelde machinale leermethode stelde scheikundigen in staat niet alleen de intuïtie van onderzoekers te kwantificeren, maar programmeren ook hun robot om synthesereacties efficiënter uit te voeren. Dat is belangrijk, want ongeveer 1 000 nieuwe MOF's worden elk jaar ontwikkeld, en achter elk liggen ergens tussen de 10 en 100 mislukte pogingen. Deze fouten bevatten belangrijke en mogelijk nuttige informatie voor verder onderzoek door iedereen die in hetzelfde vakgebied werkzaam is. Dankzij de bij LSMO ontwikkelde methode evenals het platform dat beschikbaar wordt gesteld in het kader van het Zwitserse NCCR MARVEL-programma, de geleerde lessen kunnen worden gebundeld en gedeeld.

"Nu moeten we wetenschappers overtuigen om open te staan ​​​​en te praten over hun mislukte experimenten. Als we dat kunnen doen, we de manier waarop chemisch onderzoek wordt uitgevoerd drastisch kunnen veranderen, ' zegt Smit.