Maskinlæringsforskning, der låser op for molekylære bure energibesparende potentiale

Nanoserede bure kan spille en stor rolle i at reducere energiforbruget i videnskab og industri, og maskinlæringsforskning ved Oregon State University har til formål at fremskynde implementeringen af ​​disse bemærkelsesværdige molekyler.

De porøse organiske burmolekyler, der undersøges ved OSU, er i stand til selektivt at indfange gasmolekyler, muligvis muliggør enorme energibesparelser i de utallige gasseparationer, der udføres i den kemiske sektor.

"Disse porøse molekylære faste stoffer er som svampe, der optager gasser diskriminerende, "sagde Cory Simon, adjunkt i kemiteknik og tilsvarende forfatter til en undersøgelse offentliggjort i ACS Central Science .

Sammen, adskillelse og oprensning af kemiske blandinger er ansvarlig for mere end 10 procent af verdens energiforbrug.

Porøse burmolekyler har nanoserede hulrum, der er iboende for deres struktur, og gasmolekyler tiltrækkes til og fanges i disse hulrum via adsorption.

"Men hvert bur adsorberer visse gasser lettere end andre, og denne egenskab gør potentielt burene nyttige til at adskille gasblandinger mere energieffektivt, "Sagde Simon.

Imidlertid, der er tusindvis af disse burmolekyler, der kunne syntetiseres - for at lave en af ​​dem og teste dens egenskaber tager måneder i laboratoriet - og hundredvis af forskellige kemiske adskillelser er nødvendige i industrien; derfor behovet for en beregningsmæssig tilgang til at sortere gennem mulighederne og finde det bedste molekyle til jobbet ved hånden.

Simon udnyttede ideen om, at formen på et givet hulrum er ansvarlig for, hvilke gasmolekyler den lettest tiltrækker.

Simon og eleverne Arni Sturluson, Melanie Huynh og Arthur York anvendte en "uovervåget" maskinlæringsmetode til at kategorisere og gruppere burmolekyler baseret på deres hulrumsformer og, dermed, adsorptionsegenskaber.

Uovervåget betyder, at computeren lærte om form/ejendomsforhold på egen hånd; det blev ikke givet nogen etiketter til at instruere det.

"Bare vis dataene til algoritmen, og den finder automatisk mønstre - struktur - i dataene, "Sagde Simon.

Forskerne brugte et træningsdatasæt med 74 eksperimentelt syntetiserede porøse organiske burmolekyler, der hver blev beregnet til scanning, hvilket resulterer i et 3-D "porøsitets" -billede af hver ligner et billede genereret ved en CT-scanning.

"På basis af disse 3D-billeder, vi tog inspiration fra en ansigtsgenkendelsesalgoritme, egne ansigter, at gruppere bure med lignende formede hulrum, "sagde han." Ved hjælp af entalsværdi -dekomponering, vi kodede 3-D-billederne af burene i vektorer med lavere dimension. "

Simon forklarer processen ved hjælp af analogien mellem folks ansigter.

"Forestil dig, at du blev tvunget til at kortlægge alles ansigt til et punkt i et todimensionalt spredningsdiagram, mens du bevarede så mange oplysninger som muligt om ansigterne, "sagde han." Så hvert ansigt er beskrevet med kun to tal, og ansigter, der ligner hinanden, grupperes tæt på spredningsplottet. I det væsentlige, dekomponering af entalværdi udførte denne kodning, men for porøse burmolekyler. "

Undersøgelsen demonstrerede, at den indlærte kodning fanger de fremtrædende træk ved hulrum i porøse bure og kan forudsige egenskaber ved bure, der vedrører hulrumsform.

"Vores metoder kunne anvendes til at lære latente repræsentationer af hulrum inden for andre klasser af porøse materialer og af former for molekyler generelt, "Sagde Simon.