Chemisch computeralgoritme doet meer met minder experimentele gegevens om de optimale manier te onthullen om groene materialen te maken.

Machine learning kan ons leren hoe we de productie van materialen schoner en duurzamer kunnen maken door een holistische kijk te nemen om de groenste productiemethode te identificeren, suggereren KAUST-onderzoekers.

De zoektocht naar duurzaamheid betekent dat wetenschappers over de hele wereld geavanceerde materialen ontwikkelen om problemen aan te pakken, inclusief koolstofafvang, ontzilting van water en energieopslag, zegt Rifan Hardian, een postdoc in het lab van Gyorgy Szekely. "Hoewel deze materialen veelbelovende prestaties vertonen, de materialen zelf worden vaak op niet-duurzame manieren geproduceerd - onder zware omstandigheden, giftige oplosmiddelen en energie-intensieve processen die buitensporig afval genereren, waardoor mogelijk meer milieuproblemen ontstaan ​​dan ze oplossen, ' zegt Hardian.

In samenwerking met Xiangliang Zhang en zijn team, Szekely en Hardian hebben onderzoek gedaan naar een duurzamere benadering van materiaalontwikkeling, genaamd ontwerp van experimenten (DoE). "In tegenstelling tot conventionele benaderingen van materiaaloptimalisatie, die met één factor tegelijk variëren, DoE is een systematische aanpak waarmee meerdere factoren tegelijkertijd kunnen worden gevarieerd, ' zegt Hardian.

DoE staat theoretisch variabelen toe, zoals keuze van reactanten en oplosmiddelen, reactietijd en reactietemperatuur - in één keer te optimaliseren. De procedure vermindert het aantal uitgevoerde experimenten en identificeert mogelijk ook de groenst mogelijke manier om een ​​materiaal te maken. Echter, het is een uitdaging om elke variabele te optimaliseren om het beste reactieprotocol te identificeren uit dergelijke schaarse experimentele gegevens. "Hier komt machine learning om de hoek kijken, ' zegt Hardian.

Machine learning is een vorm van kunstmatige intelligentie die patronen kan leren van een beperkt aantal gegevenspunten om de lege plekken in de gegevens op te vullen. "Op deze manier, men kan de hele experimentele ruimte bekijken en de ene reactieconditie kiezen die het beste past bij de gewenste resultaten, ' zegt Hardian.

Het team combineerde DoE en machine learning om een ​​duurzame methode te identificeren voor het maken van een populair metaal-organisch raamwerk (MOF) materiaal genaamd ZIF-8. "ZIF-8 heeft een groot potentieel in toepassingen, zoals gasscheiding, katalyse, verwijdering van zware metalen en milieusanering, " zegt Hardian. Het team heeft 10 variabelen geoptimaliseerd in de elektrochemische synthese van ZIF-8, het identificeren van een hoogproductief proces dat water als oplosmiddel gebruikte en zo min mogelijk afval opleverde. "Dankzij machinaal leren, we ontwikkelden een holistische kijk op de interacties van de variabelen en identificeerden veel onverwachte correlaties die gemist hadden kunnen worden als we een conventionele benadering hadden gevolgd, ' zegt Hardian.

De volgende mijlpaal zal zijn om DoE en machine learning toe te passen op grootschalige materiaalproductie, zegt Szekely. "Uiteindelijk, ons doel is om de futuristische visie van een autonoom laboratoriumsysteem te veranderen, die de reactievoorwaarden onophoudelijk kan lopen en zelf-optimaliseren, tot een realiteit, " hij zegt.