Stel je een plastic tas voor die je boodschappen mee naar huis kan nemen, dan snel degraderen, zonder het milieu te schaden. Of een supersterke, lichtgewicht plastic voor vliegtuigen, raketten, en satellieten die traditionele structurele metalen in ruimtevaarttechnologieën kunnen vervangen.

Machine learning en kunstmatige intelligentie hebben het vermogen om materialen met specifieke eigenschappen zoals deze te ontwerpen, versneld. Maar hoewel wetenschappers succes hebben gehad met het ontwerpen van nieuwe metaallegeringen, polymeren, zoals het plastic dat voor tassen wordt gebruikt, waren veel moeilijker te ontwerpen.

Onderzoekers van de Pritzker School of Molecular Engineering (PME) aan de Universiteit van Chicago hebben een manier gevonden om polymeren te ontwerpen door modellering en machine learning te combineren.

Door bijna 2 rekenkundig te construeren, 000 hypothetische polymeren, ze waren in staat om een ​​database te maken die groot genoeg was om een ​​neuraal netwerk - een soort machine learning - te trainen om te begrijpen welke polymeereigenschappen voortkomen uit verschillende moleculaire sequenties.

"We laten zien dat het probleem handelbaar is, " zei Juan de Pablo, Liew Family Professor of Molecular Engineering die het onderzoek leidde. "Nu we dit fundament hebben gelegd en hebben laten zien dat het kan, we kunnen echt vooruit door dit raamwerk te gebruiken om polymeren met specifieke eigenschappen te ontwerpen."

De resultaten werden op 21 oktober gepubliceerd in wetenschappelijke vooruitgang .

Ontwerpen van polymeren moeilijk door lange strengen atomen

Polymeren vertonen amorfe, ongeordende structuren die niet gemakkelijk kunnen worden gedefinieerd met behulp van de technieken die wetenschappers hebben ontwikkeld om metalen of andere kristallijne materialen te bestuderen.

Polymeermoleculen bestaan ​​uit grote reeksen atomen die in een zeer lange reeks zijn gerangschikt, soms bestaande uit miljoenen 'monomeren'. Elk polymeermolecuul is anders. Niet alleen de lengte is anders, maar de volgorde waarin de atomen zijn gerangschikt, kan aanzienlijk variëren.

Lengte en volgorde hebben een grote invloed op de eigenschappen van een polymeermolecuul, en het buitengewoon grote aantal mogelijke lengte- en sequentiecombinaties is een centrale uitdaging bij het ontwerpen van moleculen met specifieke eigenschappen. Trial-and-error-benaderingen zijn van beperkt nut en het genereren van de nodige experimentele gegevens om een ​​rationele ontwerpstrategie te bepalen, zou zeer veeleisend zijn.

Dat is waar machine learning om de hoek komt kijken. De onderzoekers wilden de vraag beantwoorden:"Kunnen machine learning-algoritmen 'leren' hoe ze de eigenschappen van polymeren kunnen voorspellen op basis van hun volgorde, en, als, hoe groot zou een dataset nodig zijn om de onderliggende algoritmen te trainen?"

Een database maken om polymeersequenties te leren

Om de database te maken, de onderzoekers gebruikten er bijna 2, 000 computationeel geconstrueerde polymeren, allemaal met verschillende sequenties, en voerde moleculaire simulaties uit om hun eigenschappen en gedrag te voorspellen. Toen ze voor het eerst een neuraal netwerk gebruikten om erachter te komen welke eigenschappen waren gebaseerd op welke moleculaire sequenties, ze wisten niet zeker of ze een redelijk antwoord zouden vinden.

"We wisten niet hoeveel verschillende polymeersequenties nodig waren om het gedrag van materialen te leren, zei de Pablo. 'Het antwoord had miljoenen kunnen zijn.'

Gelukkig, het netwerk had slechts een paar honderd verschillende sequenties nodig om de eigenschappen te leren en het gedrag van volledig nieuwe moleculaire sequenties te voorspellen. Dat betekende dat experimentatoren nu een vergelijkbare strategie konden volgen en een database konden maken om een ​​machine learning-netwerk te trainen om de eigenschappen van polymeren te voorspellen op basis van experimentele gegevens.

Dat, echter, was slechts de helft van het probleem. Volgende, de onderzoekers moesten de informatie die door het neurale netwerk was geleerd, gebruiken om daadwerkelijk nieuwe moleculen te ontwerpen. Dat deden ze en Voor de eerste keer, waren in staat om het vermogen aan te tonen om een ​​gewenste eigenschap van een polymeermolecuul te specificeren en machine learning te gebruiken om een ​​reeks sequenties te genereren die tot die eigenschappen zouden leiden.

Specifieke polymeren ontwerpen

Hoewel het systeem is getraind om alleen een bepaald soort polymeer te begrijpen, de mogelijke implicaties kunnen zich uitstrekken tot vele soorten. Bedrijven kunnen niet alleen producten ontwerpen die milieuvriendelijker zijn, ze zouden ook polymeren kunnen ontwerpen die precies doen wat ze willen dat ze doen.

Polymeren worden routinematig opgelost in oplosmiddelen voor verven, cosmetica, verdovende middelen, medische oplossingen, en voedingsmiddelen om de vloeistofstroom te regelen, bijvoorbeeld. Polymeren worden ook gebruikt in een breed scala aan geavanceerde technologieën, variërend van ruimtevaarttoepassingen tot energieopslag tot elektronische en biomedische apparaten. Door polymeren met hoge precisie voor specifieke toepassingen te ontwerpen, kunnen bedrijven materialen op een meer betaalbare, gemakkelijker, en duurzamer manier.

Volgende, de onderzoeksgroep hoopt experimentatoren te betrekken bij de ontwikkeling van sommige van de polymeren die ze hebben ontworpen en hun systeem te blijven verfijnen om nog complexere polymeren te maken. Door te vertrouwen op robotsystemen voor high-throughput synthese en karakterisering van nieuwe moleculen, ze hopen hun database uit te breiden met experimentele gegevens.

"We geloven dat we voorop lopen op dit gebied, " zei de Pablo. "In de komende twee tot vijf jaar, je zult een aantal zeer impactvolle werken zien voortkomen uit deze inspanningen en die van andere onderzoeksgroepen aan de Universiteit van Chicago, bij het Argonne National Laboratory, en over de hele wereld. We hebben ook sterke partnerschappen opgebouwd met industriële medewerkers die ons in staat zullen stellen de overdracht van kennis van de academische wereld naar de commerciële sector te versnellen."