Big data og syntetisk kemi kan bekæmpe klimaændringer og forurening

Forskere ved University of South Carolina og Columbia University har udviklet en hurtigere måde at designe og fremstille gasfiltrerende membraner på, der kan reducere drivhusgasemissionerne og reducere forureningen.

Deres nye metode, udgivet i dag i Videnskabens fremskridt , blander maskinlæring med syntetisk kemi for at designe og udvikle nye gasseparationsmembraner hurtigere. Nylige eksperimenter med anvendelse af denne tilgang resulterede i nye materialer, der adskiller gasser bedre end nogen andre kendte filtreringsmembraner.

Opdagelsen kan revolutionere den måde, nye materialer designes og skabes på, Brian Benicewicz, University of South Carolina SmartState kemiprofessor, sagde.

"Det fjerner gætværket og det gamle trial-and-error-arbejde, hvilket er meget ineffektivt, " sagde Benicewicz. "Du behøver ikke at lave hundredvis af forskellige materialer og teste dem. Nu lader du maskinen lære. Det kan indsnævre din søgning."

Plastfilm eller membraner bruges ofte til at filtrere gasser. Benicewicz forklarede, at disse membraner lider af en afvejning mellem selektivitet og permeabilitet - et materiale, der slipper en gas igennem, vil næppe stoppe et molekyle af en anden gas. "Vi taler om nogle virkelig små molekyler, " sagde Benicewicz. "Størrelsesforskellen er næsten umærkelig. Hvis du vil have meget permeabilitet, du får ikke meget selektivitet. "

Benicewicz og hans samarbejdspartnere ved Columbia University ønskede at se, om big data kunne designe en mere effektiv membran.

Holdet ved Columbia University skabte en maskinlæringsalgoritme, der analyserede den kemiske struktur og effektiviteten af ​​eksisterende membraner, der bruges til at adskille kuldioxid fra metan. Når algoritmen nøjagtigt kunne forudsige effektiviteten af ​​en given membran, de vendte spørgsmålet om:Hvilken kemisk struktur ville gøre den ideelle gasseparationsmembran?

Sanat K. Kumar, Bykhovsky professor i kemiteknik ved Columbia, sammenlignet det med Netflix metode til at anbefale film. Ved at undersøge, hvad en seer har set og kunne lide før, Netflix bestemmer funktioner, som seeren nyder, og finder derefter videoer at anbefale. Hans algoritme analyserede de kemiske strukturer af eksisterende membraner og bestemte, hvilke strukturer der ville være mere effektive.

Computeren fremstillede en liste med 100 hypotetiske materialer, der kan overstige de nuværende grænser. Benicewicz, som leder en forskningsgruppe inden for syntetisk kemi, identificeret to af de foreslåede strukturer, der sandsynligt kunne laves. Laura Murdock, en UofSC Ph.D. studerende i kemi, lavet de foreskrevne polymerer og støbt dem til tynde film.

Da membranerne blev testet, deres effektivitet var tæt på computerens forudsigelse og langt over formodede grænser.

"Deres præstation var meget god - meget bedre end det, der tidligere var blevet lavet, " sagde Murdock. "Og det var ret nemt. Det har potentiale til kommerciel brug. "

Adskillelse af kuldioxid og metan har en umiddelbar anvendelse i naturgasindustrien; CO ₂ skal fjernes fra naturgas for at forhindre korrosion i rørledninger. Men Murdock sagde, at metoden til at bruge store data til at fjerne gætterier fra processen fører til et andet spørgsmål:"Hvilke andre polymermaterialer kan vi anvende maskinlæring til og skabe bedre materialer til alle slags applikationer?"

Benicewicz sagde, at maskinlæring kunne hjælpe forskere med at designe nye membraner til at adskille drivhusgasser fra kul, som kan være med til at mindske klimaforandringerne.

"Dette arbejde peger således på en ny måde at designe materialer på, " sagde Kumar. "I stedet for at teste alle de materialer, der findes til en bestemt anvendelse, du leder efter den del af et materiale, der bedst opfylder det behov, du har. Når du kombinerer de allerbedste materialer, har du en chance for at designe et bedre materiale."