L'apprendimento automatico può essere utilizzato per prevedere le proprietà di un gruppo di materiali che, secondo alcuni, potrebbe essere importante per il 21° secolo quanto la plastica lo era per il 20°.

I ricercatori hanno utilizzato tecniche di apprendimento automatico per prevedere con precisione le proprietà meccaniche delle strutture metalliche organiche (MOF), che potrebbe essere utilizzato per estrarre l'acqua dall'aria nel deserto, immagazzinare gas pericolosi o alimentare auto a idrogeno.

I ricercatori, guidato dall'Università di Cambridge, hanno utilizzato il loro algoritmo di apprendimento automatico per prevedere le proprietà di oltre 3000 MOF esistenti, così come MOF che devono ancora essere sintetizzati in laboratorio.

I risultati, pubblicato nell'edizione inaugurale della rivista Cell Press Questione , potrebbe essere utilizzato per accelerare significativamente il modo in cui i materiali sono caratterizzati e progettati su scala molecolare.

I MOF sono composti 3-D autoassemblanti costituiti da atomi metallici e organici collegati tra loro. Come la plastica, sono molto versatili, e può essere personalizzato in milioni di combinazioni diverse. A differenza della plastica, che si basano su lunghe catene di polimeri che crescono in una sola direzione, I MOF hanno strutture cristalline ordinate che crescono in tutte le direzioni.

Questa struttura cristallina significa che i MOF possono essere realizzati come blocchi di costruzione:singoli atomi o molecole possono essere inseriti o rimossi dalla struttura, un livello di precisione impossibile da raggiungere con la plastica.

Le strutture sono altamente porose con una superficie massiccia:un MOF delle dimensioni di una zolletta di zucchero appiattita coprirebbe un'area delle dimensioni di sei campi da calcio. Forse in modo un po' controintuitivo, tuttavia, I MOF sono dispositivi di archiviazione altamente efficaci. I pori in ogni dato MOF possono essere personalizzati per formare una tasca di stoccaggio dalla forma perfetta per diverse molecole, semplicemente cambiando gli elementi costitutivi.

"Il fatto che i MOF siano così porosi li rende altamente adattabili a tutti i tipi di applicazioni diverse, ma allo stesso tempo la loro natura porosa li rende estremamente fragili, " ha affermato il dott. David Fairen-Jimenez del Dipartimento di ingegneria chimica e biotecnologia di Cambridge, che ha condotto la ricerca.

I MOF sono sintetizzati sotto forma di polvere, ma per essere di utilità pratica, la polvere viene messa sotto pressione e formata in forme più grandi, palline sagomate. A causa della loro porosità, molti MOF vengono schiacciati in questo processo, sprecando sia tempo che denaro.

Per affrontare questo problema, Fairen-Jimenez e i suoi collaboratori dal Belgio e dagli Stati Uniti hanno sviluppato un algoritmo di apprendimento automatico per prevedere le proprietà meccaniche di migliaia di MOF, in modo che vengano prodotti solo quelli con la necessaria stabilità meccanica.

I ricercatori hanno utilizzato un approccio computazionale multilivello per costruire una mappa interattiva del panorama strutturale e meccanico dei MOF. Primo, hanno usato simulazioni molecolari ad alto rendimento per 3, 385 MOF. In secondo luogo, hanno sviluppato un algoritmo di apprendimento automatico disponibile gratuitamente per prevedere automaticamente le proprietà meccaniche dei MOF esistenti e ancora da sintetizzare.

"Ora siamo in grado di spiegare il paesaggio per tutti i materiali contemporaneamente, " ha detto Fairen-Jimenez. "In questo modo, possiamo prevedere quale sarebbe il materiale migliore per un determinato compito."

I ricercatori hanno lanciato un sito Web interattivo in cui gli scienziati possono progettare e prevedere le prestazioni dei propri MOF. Fairen-Jimenez afferma che lo strumento aiuterà a colmare il divario tra sperimentalisti e computazionalisti che lavorano in questo settore. "Consente ai ricercatori di accedere agli strumenti di cui hanno bisogno per lavorare con questi materiali:semplifica le domande che devono porre, " Egli ha detto.