Maskinlæring kunne lære os, hvordan man gør fremstilling af materialer renere og mere bæredygtig

Kemi computeralgoritme gør mere med mindre eksperimentelle data for at afsløre den optimale måde at lave grønne materialer på.

Maskinlæring kunne lære os, hvordan man gør fremstilling af materialer renere og mere bæredygtig ved at tage et holistisk syn på at identificere den grønneste produktionsmetode, foreslår KAUST -forskere.

Jagten på bæredygtighed betyder, at forskere verden over udvikler avanceret materiale til at hjælpe med at løse problemer, herunder kulstofopsamling, afsaltning af vand og energilagring, siger Rifan Hardian, en postdoc i Gyorgy Szekelys laboratorium. "Selvom disse materialer viser lovende ydeevne, selve materialerne fremstilles ofte på uholdbare måder - under hårde forhold, giftige opløsningsmidler og energikrævende processer, der genererer overdreven affald-potentielt skaber flere miljøproblemer, end de løser, "Siger Hardian.

I samarbejde med Xiangliang Zhang og hans team, Szekely og Hardian har undersøgt en mere bæredygtig tilgang til materialeudvikling, kaldet design af eksperimenter (DoE). "I modsætning til konventionelle metoder til optimering af materialer, som varierer en faktor ad gangen, DoE er en systematisk tilgang, der gør det muligt at variere flere faktorer samtidigt, "Siger Hardian.

DoE tillader teoretisk variabler - såsom valg af reaktant og opløsningsmiddel, reaktionstid og reaktionstemperatur - skal optimeres på én gang. Proceduren reducerer antallet af udførte eksperimenter og identificerer også potentielt den grønnest mulige måde at lave et materiale på. Imidlertid, det er udfordrende at optimere hver variabel for at identificere den bedste reaktionsprotokol fra sådanne sparsomme eksperimentelle data. "Det er her maskinlæring kommer ind, "Siger Hardian.

Maskinlæring er en form for kunstig intelligens, der kan lære mønstre fra et begrænset antal datapunkter for at udfylde felterne i dataene. "Denne måde, man kan se hele forsøgsrummet og vælge den ene reaktionstilstand, der bedst passer til de ønskede resultater, "Siger Hardian.

Teamet kombinerede DoE og machine learning for at identificere en bæredygtig metode til fremstilling af et populært metal organisk framework (MOF) materiale kaldet ZIF-8. "ZIF-8 har et stort potentiale i applikationer, såsom gasseparation, katalyse, fjernelse af tungmetaller og miljøsanering, "Siger Hardian. Teamet optimerede 10 variabler i den elektrokemiske syntese af ZIF-8, identificering af en højtydende proces, der brugte vand som opløsningsmiddel og genererede minimalt spild. "Takket være maskinlæring, vi udviklede et helhedsorienteret syn på variablernes interaktioner og identificerede mange uventede korrelationer, der kunne have været savnet, hvis vi havde fulgt en konventionel tilgang, "Siger Hardian.

Den næste milepæl vil være at anvende DoE og maskinlæring på storskala materialeproduktion, Szekely siger. "Ultimativt, vores mål er at vende den futuristiske vision om et autonomt laboratoriesystem, som løbende kan køre og selvoptimere reaktionsbetingelser, ind i en virkelighed, " han siger.