Maskinlæring forudsiger mekaniske egenskaber af porøse materialer

Maskinlæring kan bruges til at forudsige egenskaberne af en gruppe materialer, som, ifølge nogle, kunne være lige så vigtig for det 21. århundrede, som plastik var for det 20.

Forskere har brugt maskinlæringsteknikker til nøjagtigt at forudsige de mekaniske egenskaber af metalorganiske rammer (MOF'er), som kunne bruges til at udvinde vand fra luften i ørkenen, opbevare farlige gasser eller drive brintbaserede biler.

Forskerne, ledet af University of Cambridge, brugte deres maskinlæringsalgoritme til at forudsige egenskaberne af mere end 3000 eksisterende MOF'er, samt MOF'er, som endnu ikke er syntetiseret i laboratoriet.

Resultaterne, offentliggjort i den første udgave af tidsskriftet Cell Press Stof , kunne bruges til markant at fremskynde den måde, materialer karakteriseres og designes på i molekylær skala.

MOF'er er selvsamlende 3D-forbindelser lavet af metalliske og organiske atomer forbundet med hinanden. Ligesom plastik, de er meget alsidige, og kan tilpasses til millioner af forskellige kombinationer. I modsætning til plastik, som er baseret på lange kæder af polymerer, der kun vokser i én retning, MOF'er har ordnede krystallinske strukturer, der vokser i alle retninger.

Denne krystallinske struktur betyder, at MOF'er kan laves som byggesten:individuelle atomer eller molekyler kan skiftes ind eller ud af strukturen, et præcisionsniveau, som er umuligt at opnå med plastik.

Strukturerne er meget porøse med et massivt overfladeareal:en MOF på størrelse med en sukkerterning lagt fladt ville dække et område på størrelse med seks fodboldbaner. Måske lidt kontraintuitivt dog, MOF'er laver yderst effektive lagerenheder. Porerne i enhver given MOF kan tilpasses til at danne en perfekt formet opbevaringslomme til forskellige molekyler, blot ved at ændre byggestenene.

"At MOF'er er så porøse gør dem meget tilpasningsdygtige til alle slags forskellige applikationer, men på samme tid gør deres porøse natur dem meget skrøbelige, " sagde Dr. David Fairen-Jimenez fra Cambridge's Department of Chemical Engineering and Biotechnology, der ledede forskningen.

MOF'er syntetiseres i pulverform, men for at være til nogen praktisk nytte, pulveret sættes under tryk og formes til større, formede pellets. På grund af deres porøsitet, mange MOF'er knuses i denne proces, spilder både tid og penge.

For at løse dette problem, Fairen-Jimenez og hans samarbejdspartnere fra Belgien og USA udviklede en maskinlæringsalgoritme til at forudsige de mekaniske egenskaber af tusindvis af MOF'er, således at kun dem med den nødvendige mekaniske stabilitet fremstilles.

Forskerne brugte en beregningsmetode på flere niveauer for at bygge et interaktivt kort over det strukturelle og mekaniske landskab af MOF'er. Først, de brugte high-throughput molekylære simuleringer til 3, 385 MOF'er. For det andet de udviklede en frit tilgængelig maskinlæringsalgoritme til automatisk at forudsige de mekaniske egenskaber af eksisterende og endnu ikke-syntetiserede MOF'er.

"Vi er nu i stand til at forklare landskabet for alle materialer på samme tid, " sagde Fairen-Jimenez. "På denne måde, vi kan forudsige, hvad det bedste materiale ville være til en given opgave."

Forskerne har lanceret en interaktiv hjemmeside, hvor videnskabsmænd kan designe og forudsige ydeevnen af ​​deres egne MOF'er. Fairen-Jimenez siger, at værktøjet vil hjælpe med at lukke kløften mellem eksperimentalister og computationalister, der arbejder på dette område. "Det giver forskerne adgang til de værktøjer, de har brug for for at arbejde med disse materialer:det forenkler de spørgsmål, de skal stille, " han sagde.