Søgemaskine til smart træ

Enzymet laccase er i stand til at ændre træets kemiske struktur på dets overflade og dermed lette biokemiske ændringer uden at ændre materialets struktur. Ved at vedhæfte funktionelle molekyler, Empa -forskere udvikler vandtætte eller antimikrobielle træoverflader, for eksempel. Det er også muligt at lave klæbende træfibre, som kan presses til fiberplader uden kemiske bindemidler. Disse opløsningsmiddelfri fiberplader bruges til isolering af økohuse.

Problemet:Der er mange varianter af laccase, der adskiller sig i arkitekturen i det kemisk aktive center, og ikke alle reagerer med det ønskede substrat. Da det er ekstremt svært at forudsige, om en bestemt laccase vil reagere med et specifikt substrat eller ej, dyre og tidskrævende serier af eksperimenter er nødvendige for at identificere egnede laccase-substratpar. Molekylære simuleringer kunne løse problemet:Du har simpelthen brug for en præcis strukturanalyse af laccasen for at simulere den kemiske reaktionsmekanisme for hver ønskelig kombination på computeren. Imidlertid, dette kræver en høj computer -computing -kapacitet og, selv da, ville være ekstremt tidskrævende og dyrt.

Men der er en genvej:"dyb læring." Et computerprogram er uddannet til at genkende mønstre med data fra litteraturen og egne eksperimenter:Hvilken laccase oxiderer hvilket substrat? Hvad kan være de bedste betingelser for, at den ønskede kemiske proces finder sted? Det bedste ved det:Søgningen virker, selvom ikke alle detaljer om den kemiske mekanisme er kendt.

Store fremskridt i de sidste syv år

Tilgængeligheden af ​​dataene i en passende form og arkitekturen i deep-learning-netværket er afgørende for, at dette kan lykkes. Schubert har allerede arbejdet med neuronale netværk i over syv år. Hans første projekt om emnet stammer fra 2012, det seneste fra 2018. "Tidligere har vi arbejdede med overfladiske neuronale netværk:et inputlag, et skjult lag og et output lag. I dag, vi arbejder med betydeligt mere komplekse netværk. De indeholder flere skjulte lag og er så meget mere kraftfulde. "

Schubert træner sine algoritmer med kendte datasæt og tester dem med datasæt, som systemet aldrig har set før. Og hans rapporter om robustheden af ​​hans "smarte træ søgemaskine" er forbløffende:Tidligere har han var kun i stand til at bruge nøje udvalgt, meningsfulde data for at opnå anstændige resultater. I mellemtiden, han tester også sine systemer med delvist ubrugelige datastabler. Maskinen genkender, hvad den kan bruge og hvad ikke.

Industriel anvendelse af KI

Systemets robusthed gør det allerede muligt for industrien at bruge deep-learning-maskinen. Selvklæbende isoleringsplader produceres hos partnerfirmaet Pavatex, som Schubert har arbejdet med i nogen tid. Produktionsprocessen er fuld af sensorer; enorme mængder data akkumuleres, der fortæller os "noget" om kvaliteten af ​​de fremstillede tavler. Kun hvad? Schuberts smarte træ søgemaskine finder forbindelsen.

Forskeren arbejder i øjeblikket på at optimere produktionen på denne måde. Hvis noget går galt på et tidspunkt i fiberbehandlingen, produktionen bør justeres, før kvaliteten af ​​det endelige produkt påvirkes. Dette sparer dyre kontroller på slutproduktet og kan reducere fejlprocenten i produktionsprocessen.