Машинно обучение ускорява откриването на нови материали

Използването на AI може да помогне при създаване на нови материали за различни индустрии
(снимка: CC0 Public Domain)

Използването на машинно самообучение може да помогне за изработване на най-добрите градивни елементи за сглобяване на т.нар. рамкови материали за приложение в индустриални процеси. Откритието бе направено от ново изследване, ръководено от учени от Университета в Торонто (UT) и Северозападния университет в Илинойс, САЩ.

Констатациите, публикувани в Nature Machine Intelligence, демонстрират, че използването на изкуствен интелект (ИИ) може да помогне при създаване на нови материали за различни индустриални приложения. Един пример е отделянето на въглеродния диоксид от промишлените горивни процеси. Прилагането на изкуствен интелект обещава ускоряване на цикъла на проектиране на материалите за тази цел.

С цел подобряване на разделянето на химикалите в промишлените процеси екипът от изследователи – включително сътрудници от Харвардския университет и Университета на Отава – се е заел да идентифицира най-добрите мрежови рамки (например метални органични рамки, ковалентни органични рамки) за използване в промишлени процеси.

Подобни рамки, които могат да се разглеждат като молекулярни „гъби”, се формират чрез самосглобяване на молекулярните градивни елементи в различни подредби. Те представляват семейство кристални порести материали, за които е доказано, че са обещаващи за справяне с някои сложни технологични предизвикателства (напр. добив на чиста енергия, сензори, биомедицина и др.)

„Изградихме автоматизирана платформа за откриване на материали, която генерира проекти за различни молекулярни рамки, значително намалявайки времето, необходимо за идентифициране на най-подходящите материали за използване в конкретни процеси”, казва Женпенг Яо, докторант в катедрата по химия и компютърни науки във Факултета по изкуства и науки в UT и водещ автор на изследването, цитиран от techxplore. „В тази работа на платформата ние открихме рамки, които са силно конкурентни на някои от най-ефективните материали, използвани за разделяне на CO2, известни до момента”.

Има обаче някои многогодишни предизвикателства при справянето с разделянето на CO2 и други проблеми като намаляване на парниковите газове и разработването на ваксини. Това са най-вече непредсказуемият период от време и мащабните усилия за изпитания тип „проба-грешка”, необходими за проектирането на нови материали. Понякога безкрайните комбинации от молекулни градивни елементи, налични при изграждането на химичните съединения, могат да означават изчерпване на значителни количества време и ресурси, преди да бъде постигнат успех.

„Проектирането на ретикулярни материали е особено предизвикателно, тъй като те обединяват в една обща задача трудните аспекти на моделирането на кристали заедно с тези на моделирането на молекули”, казва старшият съавтор на проучването Алан Аспуру-Гузик, изследовател в областта на теоретичната химия в катедрите по химия и компютърни науки в UT.

„Този подход към ретикулярната химия илюстрира нововъзникващия фокус на UT върху ускоряването на разработването на материалите чрез изкуствен интелект. Използвайки модел с изкуствен разум, който може да „мечтае” или да предлага нови материали, ние можем да надхвърлим традиционния библиотечен скрининг подход”.

Изследователите са се фокусирали върху разработването на метално-органични рамки (MOF), които сега се считат за идеалния абсорбиращ материал за отстраняване на CO2 от димните газове и други горивни процеси.

„Започнахме с изграждането на голям брой MOF структури на компютъра. Симулирахме тяхното представяне с помощта на моделиране на молекулярно ниво и изградихме учебен пул, приложим за избраното приложение на разделяне на CO2”, каза съавторът на изследването Рандал Снур от Катедрата по химично и биологично инженерство в инженерното училище McCormick в Северозападния университет.

„В миналото бихме преглеждали кандидатите на компютъра и докладвали за най-добрите кандидати. Новото тук е, че автоматизираната платформа за откриване на материали, разработена в това съвместно усилие, е по-ефективна от подобен скрининг „с груба сила” на всеки материал от базата данни. Може би по-важното е, че подходът използва алгоритми за машинно самообучение, за да се учи от данните, тъй като изследва пространството на материалите и всъщност предлага нови материали, които първоначално не са били представени”, допълва Снур.

Изследователите казват, че моделът обещава големи възможности за прогнозиране и оптимизиране при проектирането на нови ретикулярни рамки, особено в комбинация с вече известни кандидати за специфични функции, и че платформата е напълно адаптивна в своето приложение за справяне с много съвременни технологични предизвикателства.

Коментар