Innovatie leidt vaak tot nieuwe producten, maar nieuwe methoden kunnen net zo baanbrekend zijn.

Het was de kans om de methoden te helpen ontwikkelen die doctoraatsstudent Chemische Technologie Soumil Joshi in 2019 van zijn geboorteland Mumbai, India, naar Virginia Tech trokken.

"Het is een geweldige school, vooral op het gebied van chemische technologie, en het staat echt bekend om het onderzoek naar polymeren, wat ik dankbaar ben dat ik hier doe", zei Joshi.

En in maart leidde drie jaar werk ertoe dat zijn naam werd vermeld als eerste auteur op een paper waarin een nieuwe computationele methode voor het werken met polymeren wordt beschreven, waarvan hij en zijn adviseur, assistent-professor Sanket Deshmukh, hopen dat dit zal leiden tot aanzienlijke biomedische vooruitgang.

Het artikel, getiteld "Grofkorrelige moleculaire dynamica geïntegreerd met Convolutional Neural Network voor het vergelijken van vormen van temperatuurgevoelige flessenborstels", beschrijft een methode die is ontwikkeld door het Deshmukh-lab, inclusief co-auteur en gastwetenschapper Samrendra Singh, die kunstmatige intelligentie gebruikt om de vorm van belangrijke complexe zachte materialen en voorspellen hun gedrag.

Het is gepubliceerd in npj Computational Materials , een open-access tijdschrift van Nature , en is niet alleen veelbelovend voor het mogelijk maken van nieuwe ontdekkingen in biomaterialen, maar benadrukt het groeiende belang van big data, kunstmatige intelligentie en computationele wetenschap in chemische technologie.

Deze computerondersteunde innovaties zijn van cruciaal belang om vooruitgang te boeken op verschillende gebieden, zei Deshmukh. "Er zijn al lang bestaande wetenschappelijke problemen die niet kunnen worden opgelost door bestaande methoden, dus het oplossen van problemen en het ontwikkelen van nieuwe methoden gaan hand in hand."

De onderzoekers ontwikkelden hun 'deep-learning'-methode om te werken met zogenaamde 'zachte materialen'.

Bij deep learning worden kunstmatige-intelligentiesystemen getraind om patronen te herkennen, aan problemen te werken en taken uit te voeren - met of zonder menselijk toezicht. Zachte materialen kunnen vloeistoffen, polymeren, glycomaterialen, schuimen, gels en de meeste zachte biologische materialen omvatten. Ze worden gebruikt in een breed scala aan producten en toepassingen, van tandpasta, smeermiddelen en liquid crystal displays tot medicijnafgiftesystemen en weefselsteigers. Maar traditionele computationele methoden voor het analyseren en voorspellen van hun gedrag, met name polymeren, hebben een beperkt nut, waardoor de voortgang in hun ontwikkeling wordt belemmerd.

Om die blokkade te helpen doorbreken, werkten de onderzoekers met een soort vertakte, boomachtige polymeren die 'flessenborstels' worden genoemd. Hun inspiratie kwam van biomoleculen, waarvan de verschillende vormen hun functies bepalen. Het synthetiseren ervan in het laboratorium kan leiden tot nieuwe medische behandelingen en andere industriële toepassingen, zei Deshmukh. Maar dat kan lastig zijn omdat de polymeren snel van vorm veranderen, afhankelijk van de temperatuur en andere factoren. Zonder een efficiënte en nauwkeurige manier om die veranderingen te analyseren en te voorspellen, is het moeilijk om synthetische versies te maken.

Hun nieuwe proces maakt gebruik van een bekend diepgaand leersysteem genaamd Convolutional Neural Network, of CNN, om overeenkomsten in vorm en functie in de polymeren te identificeren en te voorspellen - iets dat niet kan worden gedaan zonder computerhulp.

Het toepassen van kunstmatige intelligentie op dit polymeerprobleem is "baanbrekend omdat het het potentieel van deep learning-methoden op het gebied van zachte materialen laat zien", zei Deshmukh. "Dus, in principe, als we begrijpen hoe de vormen veranderen, kunnen we ze hopelijk beheersen."

Om te bewijzen dat hun methode zou werken, gebruikte Joshi 100 unieke CNN-modellen, waarbij hij het systeem leerde flessenborstels met vergelijkbare vormen te identificeren. Het project was een uitdaging, niet alleen omdat het nauwgezet werk vergde om het model te leren naar welke gegevens en functies ze moesten zoeken in de polymeren, maar ook omdat de onderzoekers niet meteen wisten welke functies relevant waren. Dat moesten ze eerst uitzoeken.

Het ontwikkelen van de modellen duurde meer dan een jaar, zei Deshmukh. "Singh en Joshi hebben fantastisch werk geleverd door de verwerking van de relevante gegevens te identificeren en deze vervolgens verder te verfijnen om ervoor te zorgen dat het CNN-model de juiste informatie krijgt."

"De meeste van de eerste brainstormsessies over welke functies moesten worden gebruikt, werden uitgevoerd door Dr. Singh en Dr. Deshmukh, waardoor tal van ongunstige opties werden geëlimineerd," zei Joshi. "Hierdoor konden we onze huidige methodologie toepassen, die ik heb gebruikt om te coderen en op te nemen in ons analyse-algoritme."

De resultaten zijn veelbelovend, zei Joshi, en het team hoopt het gebruik van de techniek uit te breiden naar het groeiende gebied van glycomaterialen - op koolhydraten gebaseerde zachte materialen die door elk levend organisme worden geproduceerd.

Deze zachte materialen bevatten suikerketens, glycanen genaamd, die een cruciale rol spelen bij gezondheid en ziekte. Van de vier bouwstenen van het leven - glycanen, eiwitten, lipiden en nucleïnezuren - zijn glycanen de meest complexe en de meest uitdagende om te begrijpen. Maar CNN zou vooruitgang op dit gebied kunnen stimuleren.

"Dus, net zoals we deze flessenborstelstructuren voor synthetische polymeren hebben gemaakt, zijn er veel architecturen die kunnen worden gemaakt met behulp van glycomaterialen en polymeren zoals deze glycanen," zei Deshmukh.

"We zijn van plan onze medewerkers te helpen bij het ontwerpen van nieuwe soorten glycomaterialen die kunnen worden gebruikt voor biomedische toepassingen," zei Deshmukh. "Het is echt spannend."

Dit onderzoek wijst ook op het groeiende belang van datawetenschap en machine learning in de chemische technologie, zei afdelingshoofd Steven Wrenn.

"Het is belangrijk dat onze afgestudeerden weten hoe ze met datawetenschappers moeten werken en computermodellering in hun eigen werk moeten gebruiken", zei Wrenn. "Deze training zal onze studenten veel aantrekkelijker maken voor werkgevers en afstudeerprogramma's."

In feite werkt de afdeling aan een nieuwe studierichting computationele en datawetenschap, die, indien goedgekeurd, studenten zal opleiden om computerwetenschap toe te passen op chemische technologie. Deshmukh is betrokken bij de ontwikkeling van het studietraject.

"Het opleiden van een chemisch ingenieur die in een chemische fabriek gaat werken in datawetenschap en kunstmatige intelligentie, maakt ze een echte aanwinst", zei Deshmukh. "Omdat ze problemen in de chemische industrie gaan helpen oplossen die met traditionele methoden niet echt kunnen worden opgelost." + Verder verkennen

Nieuw op machine learning gebaseerd raamwerk kan leiden tot doorbraken in materiaalontwerp