Brug af genetiske algoritmer til at opdage nye nanostrukturerede materialer

Forskere ved Columbia Engineering, ledet af kemiingeniørprofessorerne Venkat Venkatasubramanian og Sanat Kumar, har udviklet en ny tilgang til at designe nye nanostrukturerede materialer gennem en omvendt designramme ved hjælp af genetiske algoritmer. Studiet, udgivet i 28. oktober Early Online-udgaven af Proceedings of the National Academy of Sciences ( PNAS ), er den første til at demonstrere anvendelsen af ​​denne metode til design af selvsamlede nanostrukturer, og viser potentialet ved maskinlæring og "big data"-tilgange, der er inkorporeret i det nye Institute for Data Sciences and Engineering i Columbia.

"Vores rammer kan hjælpe med at fremskynde materialeopdagelsesprocessen, " siger Venkatasubramanian, Samuel Ruben-Peter G. Viele professor i ingeniørvidenskab, og medforfatter til papiret. "I en vis forstand, vi udnytter, hvordan naturen opdager nye materialer – den darwinistiske model for evolution – ved på passende vis at kombinere den med beregningsmetoder. Det er Darwin på steroider!"

Ved hjælp af en genetisk algoritme, de udviklede, forskerne designede DNA-podede partikler, der selv samlede sig til de krystallinske strukturer, de ønskede. Deres var en "omvendt" måde at lave forskning på. I konventionel forskning, kolloide partikler podet med enkeltstrenget DNA får lov til at samle sig selv, og derefter undersøges de resulterende krystalstrukturer. "Selvom denne edisonske tilgang er nyttig til en efterfølgende forståelse af de faktorer, der styrer samling, " bemærker Kumar, Institutleder for Kemiteknik og studiets medforfatter, "det tillader os ikke på forhånd at designe disse materialer til ønskede strukturer. Vores undersøgelse behandler dette designproblem og præsenterer en evolutionær optimeringstilgang, der ikke kun var i stand til at reproducere det originale fasediagram, der detaljerede områder af kendte krystaller, men også for at belyse tidligere uobserverede strukturer."

Forskerne bruger "big data"-koncepter og -teknikker til at opdage og designe nye nanomaterialer - et prioritetsområde under Det Hvide Hus' Materials Genome Initiative - ved hjælp af en metodologi, der vil revolutionere materialedesign, påvirker en bred vifte af produkter, der påvirker vores daglige liv, fra lægemidler og landbrugskemikalier såsom pesticider eller herbicider til brændstoftilsætningsstoffer, maling og lak, og endda produkter til personlig pleje som shampoo.

"Denne omvendte designtilgang demonstrerer potentialet ved maskinlæring og algoritmetekniske tilgange til udfordrende problemer inden for materialevidenskab, " siger Kathleen McKeown, direktør for Institute for Data Sciences and Engineering og Henry og Gertrude Rothschild professor i datalogi. "På instituttet vi er fokuseret på at være banebrydende for sådanne fremskridt inden for en række problemer af stor praktisk betydning inden for teknik."

Venkatasubramanian tilføjer, "At opdage og designe nye avancerede materialer og formuleringer med ønskede egenskaber er et vigtigt og udfordrende problem, omfatter en bred vifte af produkter i industrier, der beskæftiger sig med ren energi, national sikkerhed, og menneskelig velfærd." Han påpeger, at den traditionelle edisonske trial-and-error opdagelsestilgang er tidskrævende og dyr - den kan forårsage store forsinkelser i time-to-market samt gå glip af potentielle løsninger. Og den stadigt stigende mængde af eksperimentdata med høj kapacitet, mens en stor modellering og informatik udfordring, har også skabt muligheder for materialedesign og opdagelse.

Forskerne byggede videre på deres tidligere arbejde for at udvikle, hvad de kalder en evolutionær ramme for automatiseret opdagelse af nye materialer. Venkatasubramanian foreslog designrammen og analyserede resultaterne, og Kumar udviklede rammerne i forbindelse med selvsamlede nanomaterialer. Babji Srinivasan, en postdoc hos Venkatasubramanian og Kumar og nu adjunkt ved IIT Gandhinagar, og Thi Vo, en ph.d.-kandidat ved Columbia Engineering, udførte den beregningsmæssige forskning. Holdet samarbejdede med Oleg Gang og Yugang Zhang fra Brookhaven National Laboratory, som udførte de understøttende eksperimenter.

Holdet planlægger at fortsætte med at udforske designrummet for potentielle ssDNA-podede kolloide nanostrukturer, at forbedre sine fremadrettede modeller, og bringe mere avancerede maskinlæringsteknikker ind. "Vi har brug for et nyt paradigme, der øger idéflowet, udvider søgehorisonten, og arkiverer viden fra dagens succeser for at accelerere fremtidens, " siger Venkatasubramanian.