机器学习加快了用于工业过程的材料的发现

机器学习加快了用于工业过程的材料的发现
人工智能实现了纳米多孔材料的自主设计。图片来源:多伦多大学

由多伦多大学和西北大学的研究人员领导的新研究利用机器学习技术来制造用于目标应用的框架材料组装中的最佳构造块。

发表在《自然机器智能》上的这项发现表明,人工智能(AI)方法的使用可以帮助提出用于各种应用的新颖材料。一个例子是从工业燃烧过程中分离出二氧化碳。人工智能方法有望加快材料的设计周期。

为了改善工业过程中化学物质的分离,研究团队(包括哈佛大学和渥太华大学的合作者)着手确定最佳的网状骨架(例如金属有机骨架,共价有机骨架)以供使用正在进行中。这样的框架可以被认为是量身定制的分子“海绵”,是通过将分子构件自组装成不同的排列形式而形成的,代表了一种新的晶体多孔材料家族,已被证明在解决许多技术挑战方面很有前途(例如清洁能源,传感技术,生物医学等)

化学和计算机科学系的博士后姚振鹏说:“我们建立了一个自动的材料发现平台,该平台可以生成各种分子框架的设计,从而大大减少了确定用于该特定过程的最佳材料的识别时间。”密歇根大学艺术与科学学院,本研究的主要作者。“在证明的平台使用过程中,我们发现了与迄今已知的用于CO 2分离的某些性能最好的材料相比具有强大竞争力的框架。”

然而,解决CO 2分离以及温室气体减排和疫苗开发等其他问题所面临的长期挑战是,在追求这种新材料时,不可预知的时间和大量的反复试验努力。在化学化合物的构建中,分子构建基块有时会无限地组合,这意味着在取得突破之前,将花费大量的时间和资源。

“设计网状材料特别具有挑战性,因为它们将建模晶体和建模分子的困难方面结合在一起,在一个单一的问题中解决。”资深合著者,加拿大化学系理论化学研究150位主席AlánAspuru-Guzik说。美国多伦多大学计算机科学系和加拿大Vector Institute CIFAR AI主席。“这种网状化学方法体现了我们对U的新兴关注,即通过人工智能加速材料开发。通过使用可以’梦想’或建议新材料的AI模型,我们可以超越传统的基于库的筛选方法。”

研究人员专注于金属有机骨架(MOF)的开发,现在这些金属骨架被认为是从烟气和其他燃烧过程中去除CO 2的理想吸收材料。

“我们从在计算机上构建大量MOF结构开始,使用分子级模型模拟了它们的性能,并建立了适用于所选CO 2应用的培训库分离,”研究合著者Randall Snurr,John G. Searle教授,西北大学麦考密克工程学院化学与生物工程学系系主任说。“过去,我们会从计算候选人并报告最高候选人。这里的新功能是,通过这种协作开发的自动化材料发现平台比对数据库中每种材料的“蛮力”筛选更为有效。也许更重要的是,该方法使用机器学习算法从数据中学习,因为它探索了材料的空间,并实际上建议了最初没有想象的新材料。”

研究人员说,该模型在新型网状框架的设计中显示出了强大的预测和优化能力,特别是与特定功能中的已知候选物相结合,并且该平台在应用中可以完全定制,以应对许多现代技术挑战。

本文为作者 已诺 独立观点,并不代表 我是CIO 立场。

发表评论

登录后才能评论