Wetenschap
Een op machine learning gebaseerde aanpak om nanocomposietfilms voor biologisch afbreekbare plastic alternatieven te ontdekken
De opeenhoping van plastic afval in natuurlijke omgevingen is van het grootste belang, omdat het bijdraagt aan de vernietiging van ecosystemen en schade toebrengt aan het waterleven. De afgelopen jaren hebben materiaalwetenschappers daarom geprobeerd volledig natuurlijke alternatieven voor plastic te identificeren die gebruikt zouden kunnen worden om producten te verpakken of te vervaardigen.
Onderzoekers van de Universiteit van Maryland, College Park, hebben onlangs een nieuwe aanpak bedacht om veelbelovende biologisch afbreekbare plastic alternatieven te ontdekken. Hun voorgestelde methode, uiteengezet in een artikel gepubliceerd in Nature Nanotechnology , combineert de modernste machine learning-technieken met moleculaire wetenschap.
"Mijn inspiratie voor dit onderzoek werd aangewakkerd door een bezoek in 2019 aan Palau in de westelijke Stille Oceaan", vertelde prof. Po-Yen Chen, co-auteur van het artikel, aan Tech Xplore. “De impact van plasticvervuiling op het zeeleven daar – drijvende plastic folies die vissen misleiden en zeeschildpadden die plastic afval voor voedsel aanzien – was zeer verontrustend. Dit motiveerde mij om mijn expertise toe te passen op dit milieuprobleem en leidde ertoe dat ik mij concentreerde op het vinden van een oplossing toen het opzetten van mijn onderzoekslaboratorium bij UMD."
Conventionele en eerder gebruikte methoden om naar duurzame plastic alternatieven te zoeken zijn tijdrovend en inefficiënt. In veel gevallen leveren ze ook slechte resultaten op, bijvoorbeeld bij het identificeren van materialen die biologisch afbreekbaar zijn, maar niet dezelfde wenselijke eigenschappen hebben als plastic.
De innovatieve aanpak voor het identificeren van plastic alternatieven die in dit recente artikel wordt geïntroduceerd, is gebaseerd op een machinaal leermodel ontwikkeld door Chen.
Deze aanpak is niet alleen sneller dan conventionele methoden voor het zoeken naar materialen, maar zou ook effectiever kunnen zijn bij het ontdekken van materialen die op realistische wijze kunnen worden gebruikt in productie- en industriële omgevingen. Chen paste zijn machine learning-techniek toe bij de ontdekking van volledig plastic alternatieven, in nauwe samenwerking met zijn collega's Teng Li en Liangbing Hu.
"Door geautomatiseerde robotica, machine learning en moleculaire dynamica-simulaties te combineren, hebben we de ontwikkeling versneld van milieuvriendelijke, volledig natuurlijke plasticvervangers die voldoen aan essentiële prestatienormen", legt Chen uit. "Onze geïntegreerde aanpak combineert geautomatiseerde robotica, machinaal leren en actieve leerlussen om de ontwikkeling van biologisch afbreekbare plastic alternatieven te versnellen."
Ten eerste stelden Chen en zijn collega's een uitgebreide bibliotheek samen van nanocomposietfilms afgeleid van verschillende natuurlijke bronnen. Dit gebeurde met behulp van een autonome pipetteerrobot, die zelfstandig laboratoriummonsters kan voorbereiden.
Vervolgens gebruikten de onderzoekers deze voorbeeldbibliotheek om het op machine learning gebaseerde model van Chen te trainen. Tijdens de training werd het model geleidelijk beter in het voorspellen van de eigenschappen van materialen op basis van hun samenstelling, via een proces dat bekend staat als iteratief actief leren.
"De synergie van robotica en machinaal leren versnelt niet alleen de ontdekking van natuurlijke plasticvervangers, maar maakt ook het gerichte ontwerp van plasticalternatieven met specifieke eigenschappen mogelijk", aldus Chen. "Onze aanpak vermindert de benodigde tijd en middelen aanzienlijk, vergeleken met de traditionele 'trial-and-error' onderzoeksmethode."
Dit recente onderzoek en de aanpak die het introduceerde, zouden de toekomstige zoektocht naar milieuvriendelijke plastic alternatieven kunnen bespoedigen. Het model van het team zou binnenkort door teams over de hele wereld kunnen worden gebruikt om volledig natuurlijke nanocomposieten met aanpasbare en voordelige eigenschappen te produceren.
"Door robotica, machinaal leren en simulatietools te koppelen, hebben we een workflow opgezet die de ontdekking van nieuwe functionele materialen versnelt en maatwerk voor specifieke toepassingen mogelijk maakt", aldus Chen.
"Onze geïntegreerde aanpak verlaagt de ontwerpbarrière voor een groen alternatief voor petrochemische kunststoffen en blijft tegelijkertijd milieuvriendelijk. Het biedt ook een open en uitbreidbare database gericht op groene, milieuvriendelijke en biologisch afbreekbare functionele materialen."
In de toekomst zou de innovatieve aanpak van Chen kunnen helpen de plasticvervuiling wereldwijd terug te dringen, door de transitie van meerdere sectoren naar duurzamere materialen te vergemakkelijken. In hun volgende onderzoeken zijn de onderzoekers van plan te blijven werken aan het aanpakken van de milieuproblemen die worden veroorzaakt door petrochemische kunststoffen.
Zo hopen ze het aanbod aan natuurlijke materialen waaruit fabrikanten kunnen kiezen uit te breiden. Daarnaast zullen ze proberen de mogelijke toepassingen van materialen die door hun model worden geïdentificeerd te verbreden en ervoor te zorgen dat deze materialen op grote schaal kunnen worden geproduceerd.
"We werken nu aan het vinden van de juiste biologisch afbreekbare en duurzame materialen voor het verpakken van verse producten na de oogst, het vervangen van plastic voedselverpakkingen voor eenmalig gebruik en het verbeteren van de houdbaarheid van deze producten na de oogst", voegde Chen eraan toe.
“We onderzoeken ook hoe we de verwijdering van deze biologisch afbreekbare kunststoffen kunnen beheren, inclusief het recyclen ervan of het omzetten ervan in andere nuttige chemicaliën. Deze inspanningen zijn cruciale stappen om onze oplossingen niet alleen milieuvriendelijk te maken, maar ook economisch haalbare alternatieven voor conventionele kunststoffen. draagt aanzienlijk bij aan het wereldwijde initiatief om de plasticvervuiling terug te dringen."