Aktiv maskinlæring til opdagelse og krystallisering af gigantiske polyoxometalatmolekyler

Hvem er den bedre eksperimenterende, et menneske eller en robot? Når det kommer til at udforske syntetiske og krystallisationsbetingelser for uorganiske gigantiske molekyler, aktivt lærende maskiner er klart foran, som demonstreret af britiske videnskabsmænd i et forsøg med polyoxometalater offentliggjort i tidsskriftet Angewandte Chemie .

Polyoxometalater dannes gennem selvsamling af et stort antal metalatomer, der er brokoblet af oxygenatomer. Potentielle anvendelser omfatter katalyse, elektronik, og medicin. Indsigt i selvorganiseringsprocesserne kunne også være nyttige i udviklingen af ​​funktionelle kemiske systemer som "molekylære maskiner".

Polyoxometalater tilbyder et næsten ubegrænset udvalg af strukturer. Imidlertid, det er ikke nemt at finde nye, fordi aggregeringen af ​​komplekse uorganiske molekyler til gigantiske molekyler er en proces, der er svær at forudsige. Det er nødvendigt at finde betingelser, hvorunder byggestenene aggregerer og derefter også krystalliserer, så de kan karakteriseres.

Et team ledet af Leroy Cronin ved University of Glasgow (UK) har nu udviklet en ny tilgang til at definere rækken af ​​egnede betingelser for syntese og krystallisation af polyoxometalater. Det er baseret på de seneste fremskridt inden for maskinlæring, kendt som aktiv læring. De tillod deres trænede maskine at konkurrere mod erfarne forsøgslederes intuition. Testeksemplet var Na(6)[Mo(120)Ce(6)O(366)H(12)(H(2)O)(78)]·200 H(2)O, en ny, ringformet polyoxometalat-klynge, der for nylig blev opdaget af forskernes automatiserede kemiske robot.

I forsøget de relative mængder af de tre nødvendige reagensopløsninger skulle varieres, mens protokollen ellers var foreskrevet. Udgangspunktet var et sæt data fra vellykkede og mislykkede krystallisationsforsøg. Målet var at planlægge ti eksperimenter og derefter bruge resultaterne fra disse til at gå videre til næste sæt på ti eksperimenter - i alt hundrede krystallisationsforsøg.

Selvom kød-og-blod-eksperimenterne var i stand til at producere mere vellykkede krystallisationer, den langt mere "eventyrlige" maskinalgoritme var overlegen alt i alt, fordi den dækkede et betydeligt bredere domæne af "krystallisationsrummet". Kvaliteten af ​​forudsigelsen af, om et eksperiment ville føre til krystallisation, blev forbedret væsentligt mere af maskinen end de menneskelige eksperimenter. En serie på 100 rent tilfældige eksperimenter resulterede ikke i nogen forbedring. Ud over, maskinen opdagede en række forhold, der førte til krystaller, som ikke ville have været forventet baseret på ren intuition. Denne "uvildige" automatiserede metode gør opdagelsen af ​​nye forbindelser mere sandsynligt end afhængighed af menneskelig intuition. Forskerne leder nu efter måder at lave særligt effektive "hold" af menneske og maskine.