Machine learning kan worden gebruikt om de eigenschappen van een groep materialen te voorspellen die, volgens sommigen, zou net zo belangrijk kunnen zijn voor de 21e eeuw als kunststoffen voor de 20e.

Onderzoekers hebben machine learning-technieken gebruikt om de mechanische eigenschappen van metaalorganische raamwerken (MOF's) nauwkeurig te voorspellen. die zou kunnen worden gebruikt om water uit de lucht in de woestijn te halen, gevaarlijke gassen opslaan of auto's op waterstof aandrijven.

De onderzoekers, onder leiding van de Universiteit van Cambridge, gebruikten hun machine learning-algoritme om de eigenschappen van meer dan 3000 bestaande MOF's te voorspellen, evenals MOF's die nog in het laboratorium moeten worden gesynthetiseerd.

De resultaten, gepubliceerd in de eerste editie van het tijdschrift Cell Press Materie , zou kunnen worden gebruikt om de manier waarop materialen op moleculaire schaal worden gekarakteriseerd en ontworpen aanzienlijk te versnellen.

MOF's zijn zelfassemblerende 3D-verbindingen gemaakt van met elkaar verbonden metalen en organische atomen. Zoals kunststoffen, ze zijn zeer veelzijdig, en kan worden aangepast in miljoenen verschillende combinaties. In tegenstelling tot kunststoffen, die gebaseerd zijn op lange ketens van polymeren die maar in één richting groeien, MOF's hebben geordende kristallijne structuren die in alle richtingen groeien.

Door deze kristallijne structuur kunnen MOF's als bouwstenen worden gemaakt:individuele atomen of moleculen kunnen in of uit de structuur worden geschakeld, een precisie die met kunststoffen onmogelijk te bereiken is.

De structuren zijn zeer poreus met een enorm oppervlak:een MOF ter grootte van een plat gelegd suikerklontje zou een gebied ter grootte van zes voetbalvelden beslaan. Misschien enigszins contra-intuïtief echter, MOF's maken zeer effectieve opslagapparaten. De poriën in een bepaalde MOF kunnen worden aangepast om een ​​perfect gevormde opbergzak te vormen voor verschillende moleculen, gewoon door de bouwstenen te veranderen.

"Dat MOF's zo poreus zijn, maakt ze zeer geschikt voor allerlei verschillende toepassingen, maar tegelijkertijd maakt hun poreuze karakter ze zeer kwetsbaar, " zei Dr. David Fairen-Jimenez van Cambridge's Department of Chemical Engineering and Biotechnology, die het onderzoek leidde.

MOF's worden gesynthetiseerd in poedervorm, maar om van enig praktisch nut te zijn, het poeder wordt onder druk gezet en gevormd tot grotere, gevormde korrels. Door hun porositeit, veel MOF's worden verpletterd in dit proces, zowel tijd als geld verspillen.

Om dit probleem aan te pakken, Fairen-Jimenez en zijn medewerkers uit België en de VS ontwikkelden een machine learning-algoritme om de mechanische eigenschappen van duizenden MOF's te voorspellen, zodat alleen die met de nodige mechanische stabiliteit worden vervaardigd.

De onderzoekers gebruikten een computationele benadering op meerdere niveaus om een ​​interactieve kaart te bouwen van het structurele en mechanische landschap van MOF's. Eerst, ze gebruikten high-throughput moleculaire simulaties voor 3, 385 MOF's. Ten tweede, ze ontwikkelden een vrij beschikbaar machine learning-algoritme om automatisch de mechanische eigenschappen van bestaande en nog te synthetiseren MOF's te voorspellen.

"We zijn nu in staat om het landschap voor alle materialen tegelijk uit te leggen, "zei Fairen-Jimenez. "Deze kant op, we kunnen voorspellen wat het beste materiaal zou zijn voor een bepaalde taak."

De onderzoekers hebben een interactieve website gelanceerd waar wetenschappers de prestaties van hun eigen MOF's kunnen ontwerpen en voorspellen. Fairen-Jimenez zegt dat de tool zal helpen de kloof te dichten tussen experimentatoren en computationalisten die op dit gebied werken. "Het geeft onderzoekers toegang tot de tools die ze nodig hebben om met deze materialen te werken:het vereenvoudigt de vragen die ze moeten stellen, " hij zei.