Le gabbie nanometriche possono svolgere un ruolo importante nella riduzione del consumo energetico nella scienza e nell'industria, e la ricerca sull'apprendimento automatico presso l'Oregon State University mira ad accelerare lo sviluppo di queste straordinarie molecole.

Le molecole porose della gabbia organica studiate all'OSU sono in grado di catturare selettivamente molecole di gas, potenzialmente consentendo enormi risparmi energetici nella miriade di separazioni di gas condotte nel settore chimico.

"Questi solidi molecolari porosi sono come spugne che assorbono i gas in modo discriminante, " ha detto Cory Simon, assistente professore di ingegneria chimica e corrispondente autore di uno studio pubblicato in Scienze Centrali ACS .

Insieme, la separazione e la purificazione delle miscele chimiche è responsabile di oltre il 10% del consumo energetico mondiale.

Le molecole a gabbia porosa hanno cavità nanometriche intrinseche alla loro struttura, e le molecole di gas sono attratte e intrappolate all'interno di queste cavità tramite adsorbimento.

"Ma ogni gabbia assorbe certi gas più facilmente di altri, e questa proprietà rende potenzialmente le gabbie utili per separare le miscele di gas in modo più efficiente dal punto di vista energetico, " disse Simone.

Però, ci sono migliaia di queste molecole a gabbia che potrebbero essere sintetizzate - per realizzarne anche una sola e testarne le proprietà ci vogliono mesi in laboratorio - e nell'industria sono richieste centinaia di separazioni chimiche diverse; da qui la necessità di un approccio computazionale per selezionare le possibilità e trovare la migliore molecola per il lavoro da svolgere.

Simon ha sfruttato l'idea che la forma di una determinata cavità è responsabile delle molecole di gas che attrae più facilmente.

Simon e gli studenti Arni Sturluson, Melanie Huynh e Arthur York hanno utilizzato un metodo di apprendimento automatico "non supervisionato" per classificare e raggruppare le molecole della gabbia in base alle loro forme di cavità e, così, proprietà di adsorbimento.

Non supervisionato significa che il computer ha appreso da solo le relazioni forma/proprietà; non è stata data alcuna etichetta per istruirlo.

"Mostra i dati all'algoritmo, e trova automaticamente i modelli - la struttura - nei dati, " disse Simone.

I ricercatori hanno utilizzato un set di dati di addestramento di 74 molecole di gabbia organica porosa sintetizzate sperimentalmente che sono state ciascuna scansionata computazionalmente, risultante in un'immagine di "porosità" 3D di ciascuno simile a un'immagine generata da una scansione TC.

"Sulla base di queste immagini 3D, ci siamo ispirati a un algoritmo di riconoscimento facciale, autofacce, raggruppare gabbie con cavità di forma simile, " ha detto. "Utilizzando la decomposizione al valore singolare, abbiamo codificato le immagini 3D delle gabbie in vettori di dimensioni inferiori".

Simon spiega il processo usando l'analogia dei volti delle persone.

"Immagina di essere costretto a mappare il volto di tutti su un punto in un grafico a dispersione bidimensionale preservando quante più informazioni possibili sui volti, " disse. "Quindi ogni faccia è descritta da due soli numeri, e le facce dall'aspetto simile sono raggruppate nelle vicinanze nel grafico a dispersione. Essenzialmente, la scomposizione del valore singolare ha eseguito questa codifica, ma per molecole a gabbia porosa."

La ricerca ha dimostrato che la codifica appresa cattura le caratteristiche salienti delle cavità delle gabbie porose e può prevedere le proprietà delle gabbie relative alla forma della cavità.

"I nostri metodi potrebbero essere applicati per apprendere rappresentazioni latenti di cavità all'interno di altre classi di materiali porosi e di forme di molecole in generale, " disse Simone.