Brug af maskinlæring til at identificere lovende polymermembraner

Polymermembraner er almindeligt anvendt i industrien til adskillelse af gasser som CO₂ fra røggas og metan fra naturgas. I løbet af flere årtier har forskere studeret forskellige polymerer for at forbedre deres permeabilitet og anvendelighed, men har ramt en vejspærring, når det kommer til at teste dem alle på en hurtig og effektiv måde. I en nylig udgivelse i Science Advances , UConn Assistant Professor of Mechanical Engineering Ying Li, University of Connecticut (UConn) Centennial Professor of Chemical and Biomolecular Engineering Jeff McCutcheon; UConn forskere Lei Tao, Jinlong He; og forsker Jason Yang fra California Institute of Technology har fundet en innovativ ny måde at bruge maskinlæring (ML) til at teste og opdage nye polymermembraner.

Gennem undersøgelser bemærker forfatterne den nuværende edisonske tilgang til membrandesign:"I årtiers teknologiske udvikling inden for membranvidenskaben har design af nye membranmaterialer været og forbliver en overvejende prøve-og-fejl-proces, styret af erfaring og intuition. Nuværende tilgange involverer generelt justering af kemiske grupper for at øge affiniteten og opløseligheden mod den ønskede gas eller inkorporering af større frit volumen for at øge den samlede diffusivitet."

Som en alternativ metode til kedelige eksperimenter kan beregningsmodeller bruges til at forudsige membranydelse. Men de er enten for dyre eller lav nøjagtighed forårsaget af de forenklede tilnærmelser. For at afhjælpe denne mangel udviklede teamet en nøjagtig måde at identificere nye, højtydende polymerer ved hjælp af ML-metoder.

Ved at bruge flere fingeraftryksfunktioner og faste kemiske deskriptorer brugte holdet dyb læring på et lille datasæt til at forbinde membrankemi med membranydelse. Traditionelt er RF-modeller (Random Forest) kendt for at fungere bedst på små datasæt, men holdet fandt ud af, at dybe neurale netværk fungerede godt på grund af brugen af ​​ensembling, som kombinerer forudsigelse fra flere modeller.

Yderligere fandt holdet, at ML-modellen var i stand til at opdage tusindvis af polymerer med præstationer, der forventes at overstige Robesons øvre grænse, som er en standard, der bruges til at definere permeabiliteten og selektiviteten for polymergasseparationsmembraner. Derudover ville opdagede polymerer med ultrahøj permeabilitet give industrien mulighed for at udføre gasseparationer med højere gennemløb, samtidig med at et højt niveau af selektivitet opretholdes.

Forskerne opsummerer:"I sidste ende forsyner vi membrandesignfællesskabet med mange nye højtydende polymerkandidater og vigtige kemiske egenskaber, der skal tages i betragtning, når de designer deres molekylære strukturer. Erfaringer fra arbejdsgangen demonstreret i denne undersøgelse kan sandsynligvis tjene som en guide for andre materialer opdagelses- og designopgaver, såsom polymermembraner til afsaltning og vandbehandling, højtemperaturbrændselsceller og katalyse. Med den kontinuerlige forbedring af ML-teknikker og en stigning i computerkraft forventer vi, at ML-assisterede designrammer kun vil vinde popularitet og leverer stadig mere væsentlige resultater inden for materialeopdagelse til en bred vifte af applikationer." + Udforsk yderligere

Ny polymermembranteknologi forbedrer effektiviteten af ​​kuldioxidopsamling