Wetenschappers van de University of South Carolina en Columbia University hebben een snellere manier ontwikkeld om gasfiltermembranen te ontwerpen en te maken die de uitstoot van broeikasgassen kunnen verminderen en de vervuiling kunnen verminderen.

Hun nieuwe methode, vandaag gepubliceerd in wetenschappelijke vooruitgang , combineert machine learning met synthetische chemie om sneller nieuwe gasscheidingsmembranen te ontwerpen en te ontwikkelen. Recente experimenten waarbij deze benadering werd toegepast, resulteerden in nieuwe materialen die gassen beter scheiden dan alle andere bekende filtermembranen.

De ontdekking kan een revolutie teweegbrengen in de manier waarop nieuwe materialen worden ontworpen en gemaakt, Brian Benicewicz, de University of South Carolina SmartState chemieprofessor, zei.

"Het verwijdert het giswerk en het oude trial-and-error-werk, wat erg ineffectief is, " Zei Benicewicz. "Je hoeft niet honderden verschillende materialen te maken en te testen. Nu laat je de machine leren. Het kan uw zoekopdracht verfijnen."

Voor het filteren van gassen worden vaak plastic folies of membranen gebruikt. Benicewicz legde uit dat deze membranen te lijden hebben van een wisselwerking tussen selectiviteit en permeabiliteit - een materiaal dat één gas doorlaat, zal waarschijnlijk geen molecuul van een ander gas tegenhouden. "We hebben het over een paar hele kleine moleculen, " Zei Benicewicz. "Het verschil in grootte is bijna onmerkbaar. Als u veel doorlaatbaarheid wilt, je zult niet veel selectiviteit krijgen."

Benicewicz en zijn medewerkers aan de Columbia University wilden zien of big data een effectiever membraan konden ontwerpen.

Het team van Columbia University heeft een algoritme voor machinaal leren ontwikkeld dat de chemische structuur en effectiviteit analyseerde van bestaande membranen die worden gebruikt voor het scheiden van koolstofdioxide van methaan. Zodra het algoritme de effectiviteit van een bepaald membraan nauwkeurig kon voorspellen, ze draaiden de vraag om:welke chemische structuur zou het ideale gasscheidingsmembraan maken?

Sanat K. Kumar, de Bykhovsky-hoogleraar Chemische Technologie aan Columbia, vergeleek het met de methode van Netflix om films aan te bevelen. Door te onderzoeken wat een kijker eerder heeft gezien en leuk vond, Netflix bepaalt functies die de kijker leuk vindt en vindt vervolgens video's om aan te bevelen. Zijn algoritme analyseerde de chemische structuren van bestaande membranen en bepaalde welke structuren effectiever zouden zijn.

De computer produceerde een lijst van 100 hypothetische materialen die de huidige limieten zouden kunnen overschrijden. Benicewicz, die een onderzoeksgroep synthetische chemie leidt, identificeerde twee van de voorgestelde structuren die aannemelijk zouden kunnen worden gemaakt. Laura Murdock, een UofSC Ph.D. student scheikunde, maakte de voorgeschreven polymeren en goot ze in dunne films.

Toen de membranen werden getest, hun effectiviteit lag dicht bij de voorspelling van de computer en ruim boven de veronderstelde limieten.

"Hun optreden was erg goed - veel beter dan wat eerder was gemaakt, "Zei Murdock. "En het was vrij eenvoudig. Het heeft het potentieel voor commercieel gebruik."

Het scheiden van kooldioxide en methaan heeft onmiddellijke toepassing in de aardgasindustrie; CO ₂ moet worden verwijderd uit aardgas om corrosie in pijpleidingen te voorkomen. Maar Murdock zei dat de methode om big data te gebruiken om het giswerk uit het proces te verwijderen, tot een andere vraag leidt:"Op welke andere polymeermaterialen kunnen we machine learning toepassen en betere materialen maken voor allerlei toepassingen?"

Benicewicz zei dat machine learning wetenschappers kan helpen bij het ontwerpen van nieuwe membranen voor het scheiden van broeikasgassen uit steenkool, die kunnen helpen de klimaatverandering te verminderen.

"Dit werk wijst dus op een nieuwe manier van materiaalontwerp, " zei Kumar. "In plaats van alle materialen te testen die voor een bepaalde toepassing bestaan, je zoekt naar het deel van een materiaal dat het beste aansluit bij de behoefte die je hebt. Als je de allerbeste materialen combineert, heb je een kans om een ​​beter materiaal te ontwerpen."