Ny tilgang kan føre til designet plast med specifikke egenskaber

Forestil dig en plastikpose, der kan bære dine dagligvarer hjem, nedbrydes derefter hurtigt, uden at skade miljøet. Eller en superstærk, letvægtsplastik til fly, raketter, og satellitter, der kan erstatte traditionelle strukturelle metaller inden for rumfartsteknologier.

Maskinlæring og kunstig intelligens har accelereret evnen til at designe materialer med specifikke egenskaber som disse. Men mens forskere har haft succes med at designe nye metalliske legeringer, polymerer - som plastik brugt til poser - har været meget sværere at designe.

Forskere ved Pritzker School of Molecular Engineering (PME) ved University of Chicago har fundet en vej fremad i designet af polymerer ved at kombinere modellering og maskinlæring.

Ved beregningsmæssigt at konstruere næsten 2, 000 hypotetiske polymerer, de var i stand til at skabe en tilstrækkelig stor database til at træne et neuralt netværk - en type maskinlæring - til at forstå, hvilke polymeregenskaber der opstår fra forskellige molekylære sekvenser.

"Vi viser, at problemet kan løses, sagde Juan de Pablo, Liew familieprofessor i molekylær teknik, der ledede forskningen. "Nu hvor vi har etableret dette fundament og har vist, at det kan lade sig gøre, vi kan virkelig komme videre med at bruge denne ramme til at designe polymerer med specifikke egenskaber."

Resultaterne blev offentliggjort 21. oktober i Videnskabens fremskridt .

Det er svært at designe polymerer på grund af lange atomer

Polymerer udviser amorfe, uordnede strukturer, der ikke let kan defineres ved hjælp af de teknikker, som videnskabsmænd har udviklet til at studere metaller eller andre krystallinske materialer.

Polymermolekyler består af store rækker af atomer arrangeret i en meget lang streng, nogle gange bestående af millioner af "monomerer". Hvert polymermolekyle er forskelligt. Ikke kun er længden forskellig, men rækkefølgen, hvori atomerne er arrangeret, kan variere betydeligt.

Længde og rækkefølge har stor indflydelse på egenskaberne af et polymert molekyle, og det ekstraordinært store antal mulige længde- og sekvenskombinationer er en central udfordring i at designe molekyler med specifikke egenskaber. Trial-and-error-tilgange er af begrænset nytte, og det ville være meget krævende at generere de nødvendige eksperimentelle data til at informere om en rationel designstrategi.

Det er her, maskinlæring kommer ind i billedet. Forskerne satte sig for at besvare spørgsmålet:"Kan maskinlæringsalgoritmer 'lære' hvordan man forudsiger egenskaberne af polymerer i henhold til deres sekvens, og, hvis så, hvor stort et datasæt ville være nødvendigt for at træne de underliggende algoritmer?"

Oprettelse af en database for at lære polymersekvenser

For at oprette databasen, forskerne brugte næsten 2, 000 beregningsmæssigt konstruerede polymerer, alle har forskellige sekvenser, og kørte molekylære simuleringer for at forudsige deres egenskaber og adfærd. Da de første gang brugte et neuralt netværk til at finde ud af, hvilke egenskaber der var baseret på hvilke molekylære sekvenser, de var usikre på, om de ville finde et fornuftigt svar.

"Vi vidste ikke, hvor mange forskellige polymersekvenser der var nødvendige for at lære materialernes adfærd, " sagde de Pablo. "Svaret kunne have været millioner."

Heldigvis, netværket havde kun brug for mindre end et par hundrede forskellige sekvenser for at lære egenskaberne og forudsige helt nye molekylære sekvensers opførsel. Det betød, at eksperimentalister nu kunne følge en lignende strategi og oprette en database til at træne et maskinlæringsnetværk til at forudsige polymerers egenskaber på basis af eksperimentelle data.

At, imidlertid, var kun halvdelen af ​​problemet. Næste, forskerne skulle bruge den information, som blev lært af det neurale netværk, til rent faktisk at designe nye molekyler. De fortsatte med at gøre det, og for første gang, var i stand til at demonstrere evnen til at specificere en ønsket egenskab fra et polymermolekyle og bruge maskinlæring til at generere et sæt sekvenser, der ville føre til disse egenskaber.

Design af specifikke polymerer

Selvom systemet blev trænet til kun at forstå en bestemt slags polymer, de potentielle implikationer kan strække sig til mange slags. Ikke alene kunne virksomheder designe produkter, der er mere miljøvenlige, de kunne også designe polymerer, der gør præcis, hvad de vil have dem til at gøre.

Polymerer opløses rutinemæssigt i opløsningsmidler til maling, kosmetik, stoffer, medicinske løsninger, og fødevarer til at kontrollere strømmen af ​​væsker, for eksempel. Polymerer bruges også i en lang række avancerede teknologier, lige fra rumfartsapplikationer til energilagring til elektroniske og biomedicinske enheder. Design af polymerer med høj præcision til specifikke applikationer kan give virksomheder mulighed for at konstruere materialer på et mere overkommeligt, lettere, og mere bæredygtig måde.

Næste, forskergruppen håber at involvere eksperimentelle i udviklingen af ​​nogle af de polymerer, de har designet, og fortsætte med at forfine deres system til at skabe endnu mere komplekse polymerer. Ved at stole på robotsystemer til high-throughput syntese og karakterisering af nye molekyler, de håber at udvide deres database til at omfatte eksperimentelle data.

"Vi mener, at vi er på forkant med dette område, " sagde de Pablo. "I løbet af de næste to til fem år, du kommer til at se noget meget effektfuldt arbejde komme ud af disse bestræbelser og andre forskergruppers ved University of Chicago, ved Argonne National Laboratory, og rundt om i verden. Vi har også opbygget stærke partnerskaber med industrielle samarbejdspartnere, der vil give os mulighed for at accelerere overførslen af ​​viden fra den akademiske verden til den kommercielle sektor."