Laura Murdock, un dottorando presso l'Università della Carolina del Sud, mostra un film polimerico che ha realizzato secondo un design chimico prescritto dall'apprendimento automatico. Il film ha superato tutte le membrane note utilizzate per separare anidride carbonica e metano, dimostrando che l'apprendimento automatico può aiutare i chimici a sviluppare più rapidamente nuovi materiali. Credito:Laura Murdock / Università della Carolina del Sud
Scienziati dell'Università della Carolina del Sud e della Columbia University hanno sviluppato un modo più rapido per progettare e realizzare membrane per il filtraggio dei gas che potrebbero ridurre le emissioni di gas serra e ridurre l'inquinamento.
Il loro nuovo metodo, pubblicato oggi in Progressi scientifici , combina l'apprendimento automatico con la chimica sintetica per progettare e sviluppare nuove membrane per la separazione dei gas più rapidamente. Recenti esperimenti che applicano questo approccio hanno portato a nuovi materiali che separano i gas meglio di qualsiasi altra membrana filtrante conosciuta.
La scoperta potrebbe rivoluzionare il modo in cui vengono progettati e creati nuovi materiali, Brian Benicewicz, il professore di chimica SmartState dell'Università della Carolina del Sud, disse.
"Rimuove le congetture e il vecchio lavoro di tentativi ed errori, che è molto inefficace, "Benicewicz ha detto. "Non devi fare centinaia di materiali diversi e testarli. Ora stai lasciando che la macchina impari. Può restringere la tua ricerca."
I film o le membrane di plastica sono spesso usati per filtrare i gas. Benicewicz ha spiegato che queste membrane soffrono di un compromesso tra selettività e permeabilità:è improbabile che un materiale che lascia passare un gas fermi una molecola di un altro gas. "Stiamo parlando di alcune molecole davvero piccole, "Benicewicz ha detto. "La differenza di dimensioni è quasi impercettibile. Se vuoi molta permeabilità, non avrai molta selettività."
Benicewicz e i suoi collaboratori della Columbia University volevano vedere se i big data potevano progettare una membrana più efficace.
Il team della Columbia University ha creato un algoritmo di apprendimento automatico che ha analizzato la struttura chimica e l'efficacia delle membrane esistenti utilizzate per separare l'anidride carbonica dal metano. Una volta che l'algoritmo potrebbe prevedere con precisione l'efficacia di una determinata membrana, hanno ribaltato la domanda:quale struttura chimica farebbe la membrana di separazione del gas ideale?
Sanat K. Kumar, il professore Bykhovsky di ingegneria chimica alla Columbia, lo ha confrontato con il metodo di Netflix per consigliare i film. Esaminando ciò che uno spettatore ha visto e apprezzato in precedenza, Netflix determina le funzionalità che piacciono allo spettatore e quindi trova i video da consigliare. Il suo algoritmo ha analizzato le strutture chimiche delle membrane esistenti e ha determinato quali strutture sarebbero state più efficaci.
Il computer ha prodotto un elenco di 100 materiali ipotetici che potrebbero superare i limiti attuali. Benicewicz, che guida un gruppo di ricerca di chimica sintetica, individuato due delle strutture proposte plausibilmente realizzabili. Laura Murdock, un dottorato di ricerca UofSC studente di chimica, ha realizzato i polimeri prescritti e li ha colati in pellicole sottili.
Quando le membrane sono state testate, la loro efficacia era vicina alla previsione del computer e ben al di sopra dei limiti presunti.
"La loro performance è stata molto buona, molto meglio di quanto era stato fatto in precedenza, " Murdock ha detto. "Ed è stato abbastanza facile. Ha il potenziale per l'uso commerciale."
La separazione di anidride carbonica e metano ha un'applicazione immediata nell'industria del gas naturale; CO 2 devono essere rimossi dal gas naturale per prevenire la corrosione nelle tubazioni. Ma Murdock ha affermato che il metodo di utilizzo dei big data per rimuovere le congetture dal processo porta a un'altra domanda:"A quali altri materiali polimerici possiamo applicare l'apprendimento automatico e creare materiali migliori per tutti i tipi di applicazioni?"
Benicewicz ha affermato che l'apprendimento automatico potrebbe aiutare gli scienziati a progettare nuove membrane per separare i gas serra dal carbone, che possono contribuire a ridurre il cambiamento climatico.
"Questo lavoro indica quindi un nuovo modo di progettare i materiali, " ha detto Kumar. "Piuttosto che testare tutti i materiali esistenti per una particolare applicazione, cerchi la parte di un materiale che meglio risponde alla tua esigenza. Quando si combinano i materiali migliori, si ha la possibilità di progettare un materiale migliore".
