Onderzoekers van Columbia Engineering, onder leiding van de professoren Chemische Technologie Venkat Venkatasubramanian en Sanat Kumar, hebben een nieuwe benadering ontwikkeld voor het ontwerpen van nieuwe nanogestructureerde materialen door middel van een omgekeerd ontwerpraamwerk met behulp van genetische algoritmen. De studie, gepubliceerd in de Early Online-editie van 28 oktober van Proceedings van de National Academy of Sciences ( PNAS ), is de eerste die de toepassing van deze methodologie op het ontwerp van zelf-geassembleerde nanostructuren demonstreert, en toont het potentieel van machine learning en "big data"-benaderingen belichaamd in het nieuwe Institute for Data Sciences and Engineering in Columbia.

"Ons raamwerk kan helpen het materiaalontdekkingsproces te versnellen, " zegt Venkatasubramanian, Samuel Ruben-Peter G. Viele Hoogleraar Ingenieurswetenschappen, en co-auteur van het artikel. "In zekere zin we maken gebruik van hoe de natuur nieuwe materialen ontdekt - het darwinistische evolutiemodel - door het op gepaste wijze te combineren met computationele methoden. Het is Darwin op steroïden!"

Met behulp van een genetisch algoritme dat ze ontwikkelden, de onderzoekers ontwierpen DNA-geënte deeltjes die zichzelf assembleerden tot de kristallijne structuren die ze wilden. Die van hen was een "omgekeerde" manier van onderzoek doen. Bij conventioneel onderzoek is colloïdale deeltjes geënt met enkelstrengs DNA mogen zichzelf assembleren, en vervolgens worden de resulterende kristalstructuren onderzocht. "Hoewel deze Edisoniaanse benadering nuttig is voor een a posteriori begrip van de factoren die de vergadering beheersen, " merkt Kumar op, Departementsvoorzitter Chemical Engineering en co-auteur van de studie, "het staat ons niet toe om deze materialen a priori in de gewenste structuren te ontwerpen. Onze studie pakt dit ontwerpprobleem aan en presenteert een evolutionaire optimalisatiebenadering die niet alleen in staat was om het originele fasediagram te reproduceren met details van bekende kristallen, maar ook om eerder niet-waargenomen structuren op te helderen."

De onderzoekers gebruiken 'big data'-concepten en -technieken om nieuwe nanomaterialen te ontdekken en te ontwerpen - een prioriteitsgebied onder het Materials Genome Initiative van het Witte Huis - met behulp van een methodologie die een revolutie teweeg zal brengen in het materiaalontwerp, gevolgen hebben voor een breed scala aan producten die van invloed zijn op ons dagelijks leven, van medicijnen en landbouwchemicaliën zoals pesticiden of herbiciden tot brandstofadditieven, verven en vernissen, en zelfs producten voor persoonlijke verzorging zoals shampoo.

"Deze omgekeerde ontwerpbenadering demonstreert het potentieel van machine learning en algoritme-engineeringbenaderingen voor uitdagende problemen in de materiaalwetenschap, " zegt Kathleen McKeown, directeur van het Institute for Data Sciences and Engineering en Henry en Gertrude Rothschild Professor of Computer Science. "In het Instituut, we zijn gericht op het pionieren van dergelijke vooruitgang in een aantal problemen die van groot praktisch belang zijn in de techniek."

Venkatasubramanian voegt toe, "Het ontdekken en ontwerpen van nieuwe geavanceerde materialen en formuleringen met gewenste eigenschappen is een belangrijk en uitdagend probleem, omvat een breed scala aan producten in industrieën die zich bezighouden met schone energie, nationale veiligheid, en menselijk welzijn." Hij wijst erop dat de traditionele Edisoniaanse trial-and-error-ontdekkingsbenadering tijdrovend en kostbaar is - het kan leiden tot grote vertragingen in de time-to-market en het missen van potentiële oplossingen. En het steeds groter wordende aantal van experimentgegevens met hoge doorvoer, terwijl een grote uitdaging op het gebied van modellering en informatica, heeft ook mogelijkheden gecreëerd voor materiaalontwerp en ontdekking.

De onderzoekers bouwden voort op hun eerdere werk om wat zij een evolutionair raamwerk noemen voor de geautomatiseerde ontdekking van nieuwe materialen te ontwikkelen. Venkatasubramanian stelde het ontwerpkader voor en analyseerde de resultaten, en Kumar ontwikkelde het raamwerk in de context van zelf-geassembleerde nanomaterialen. Babji Srinivasan, een postdoc bij Venkatasubramanian en Kumar en nu een assistent-professor aan IIT Gandhinagar, en Thi Vo, een promovendus bij Columbia Engineering, het rekenonderzoek gedaan. Het team werkte samen met Oleg Gang en Yugang Zhang van Brookhaven National Laboratory, die de ondersteunende experimenten uitvoerden.

Het team is van plan om door te gaan met het verkennen van de ontwerpruimte van potentiële ssDNA-geënte colloïdale nanostructuren, het verbeteren van zijn voorwaartse modellen, en breng meer geavanceerde technieken voor machine learning in. "We hebben een nieuw paradigma nodig dat de ideeënstroom vergroot, verbreedt de zoekhorizon, en archiveert de kennis van de successen van vandaag om die van morgen te versnellen, " zegt Venkatasubramanian.