Videnskab
 science >> Videnskab >  >> Kemi

Nyt superomnifobisk glas svæver højt på sommerfuglevingerne ved hjælp af maskinlæring

Kredit:CC0 Public Domain

Glas til teknologier som displays, tabletter, bærbare computere, smartphones, og solceller skal passere lys igennem, men kunne drage fordel af en overflade, der afviser vand, smuds, olie, og andre væsker. Forskere fra University of Pittsburghs Swanson School of Engineering har skabt et nanostrukturglas, der henter inspiration fra glasvingesommerfuglens vinger for at skabe en ny type glas, der ikke kun er meget klart på tværs af en lang række bølgelængder og vinkler, men er også antidug.

Holdet udgav for nylig et papir, der beskriver deres resultater:"Creating Glasswing-Butterfly Inspired Durable Antifogging Omniphobic Supertransmissive, Superclear nanostruktureret glas gennem Bayesiansk læring og optimering" i Materialer Horisonter . De præsenterede for nylig dette arbejde på ICML-konferencen i "Climate Change:How Can AI Help?" værksted.

Det nanostrukturerede glas har tilfældige nanostrukturer, som glasvingen sommerfuglevinge, der er mindre end bølgelængderne af synligt lys. Dette gør, at glasset har en meget høj gennemsigtighed på 99,5%, når de tilfældige nanostrukturer er på begge sider af glasset. Denne høje gennemsigtighed kan reducere lysstyrke- og strømkravene på skærme, der kan, for eksempel, forlænge batteriets levetid. Glasset er antireflekterende på tværs af højere vinkler, forbedring af betragtningsvinklerne. Glasset har også lav uklarhed, mindre end 0,1 %, hvilket resulterer i meget klare billeder og tekst.

"Glasset er superomnifobisk, hvilket betyder, at det afviser en bred vifte af væsker såsom appelsinjuice, kaffe, vand, blod, og mælk, " forklarer Sajad Haghanifar, hovedforfatter af papiret og ph.d.-kandidat i industriel teknik ved Pitt. "Glasset er også anti-dug, da kondensvand har tendens til let at rulle af overfladen, og udsynet gennem glasset forbliver uhindret. Endelig, det nanostrukturerede glas er slidstærkt på grund af dets selvhelbredende egenskaber - slibning af overfladen med en ru svamp beskadiger belægningen, men opvarmning genopretter den til sin oprindelige funktion."

Naturlige overflader som lotusblade, møløjne og sommerfuglevinger viser omnifobiske egenskaber, der gør dem selvrensende, bakterie-resistent og vandafvisende - tilpasninger til overlevelse, der udviklede sig over millioner af år. Forskere har længe søgt inspiration fra naturen til at kopiere disse egenskaber i et syntetisk materiale, og endda for at forbedre dem. Selvom holdet ikke kunne stole på evolution for at opnå disse resultater, de brugte i stedet maskinlæring.

"Noget væsentligt ved forskningen i nanostruktureret glas, i særdeleshed, er, at vi samarbejdede med SigOpt for at bruge maskinlæring til at nå vores endelige produkt, " siger Paul Leu, Ph.D., lektor i industriteknik, hvis laboratorium udførte forskningen. Dr. Leu har sekundære ansættelser inden for maskinteknik og materialevidenskab og kemiteknik. "Når man skaber sådan noget, du starter ikke med en masse data, og hvert forsøg tager meget tid. Vi brugte maskinlæring til at foreslå variabler til at ændre, og det tog os færre forsøg at skabe dette materiale som et resultat."

"Bayesiansk optimering og aktiv søgning er de ideelle værktøjer til at udforske balancen mellem gennemsigtighed og omnifobicitet effektivt, det er, uden at have brug for tusindvis af fremstillinger, kræver hundredvis af dage." sagde Michael McCourt, Ph.D., forskningsingeniør hos SigOpt. Bolong Cheng, Ph.D., medforsker hos SigOpt, tilføjet, "Maskinlæring og AI-strategier er kun relevante, når de løser reelle problemer; vi er glade for at kunne samarbejde med University of Pittsburgh for at bringe kraften i Bayesiansk aktiv læring til en ny applikation."

"Oprettelse af Glasswing-Sommerfugle inspireret Holdbar Antidug Omniphobic Supertransmissive, Superclear Nanostruktureret glas gennem Bayesiansk læring og optimering" blev medforfatter af Sajad Haghanifar, og Paul Leu, fra Pitt's Swanson School of Engineering; Michael McCourt og Bolong Cheng fra SigOpt; og Paul Ohodnicki og Jeffrey Wuenschell fra U.S. Department of Energy's National Energy Laboratory.