Immagina un sacchetto di plastica che possa portare a casa la tua spesa, poi degrada rapidamente, senza danneggiare l'ambiente. O un super-forte, plastica leggera per aeroplani, razzi, e satelliti che possono sostituire i tradizionali metalli strutturali nelle tecnologie aerospaziali.

L'apprendimento automatico e l'intelligenza artificiale hanno accelerato la capacità di progettare materiali con proprietà specifiche come queste. Ma mentre gli scienziati hanno avuto successo nella progettazione di nuove leghe metalliche, i polimeri, come la plastica utilizzata per le borse, sono stati molto più difficili da progettare.

I ricercatori della Pritzker School of Molecular Engineering (PME) dell'Università di Chicago hanno trovato un modo per progettare polimeri combinando la modellazione e l'apprendimento automatico.

Costruendo computazionalmente quasi 2, 000 ipotetici polimeri, sono stati in grado di creare un database abbastanza grande per addestrare una rete neurale, un tipo di apprendimento automatico, per capire quali proprietà dei polimeri derivano da diverse sequenze molecolari.

"Mostriamo che il problema è trattabile, " disse Juan de Pablo, Liew Family Professor di Ingegneria Molecolare che ha guidato la ricerca. "Ora che abbiamo stabilito questo fondamento e abbiamo mostrato che si può fare, possiamo davvero andare avanti nell'utilizzo di questa struttura per progettare polimeri con proprietà specifiche".

I risultati sono stati pubblicati il ​​21 ottobre in Progressi scientifici .

Progettare polimeri difficile a causa di lunghe stringhe di atomi

I polimeri mostrano amorfo, strutture disordinate che non possono essere facilmente definite utilizzando le tecniche che gli scienziati hanno sviluppato per studiare i metalli o altri materiali cristallini.

Le molecole polimeriche sono costituite da grandi schiere di atomi disposti in una stringa molto lunga, a volte comprendendo milioni di "monomeri". Ogni molecola polimerica è diversa. Non solo la lunghezza è diversa, ma la sequenza in cui sono disposti gli atomi può variare considerevolmente.

La lunghezza e la sequenza hanno una grande influenza sulle proprietà di una molecola polimerica, e il numero straordinariamente elevato di possibili combinazioni di lunghezza e sequenza è una sfida centrale nella progettazione di molecole con proprietà specifiche. Gli approcci per tentativi ed errori sono di utilità limitata e la generazione dei dati sperimentali necessari per informare una strategia di progettazione razionale sarebbe molto impegnativa.

È qui che entra in gioco l'apprendimento automatico. I ricercatori hanno cercato di rispondere alla domanda:"Gli algoritmi di apprendimento automatico possono 'imparare' come prevedere le proprietà dei polimeri in base alla loro sequenza, e, se è così, quanto grande sarebbe un set di dati necessario per addestrare gli algoritmi sottostanti?"

Creazione di un database per apprendere le sequenze di polimeri

Per creare il database, i ricercatori ne hanno usati quasi 2, 000 polimeri costruiti computazionalmente, tutti con sequenze diverse, e ha eseguito simulazioni molecolari per prevederne le proprietà e il comportamento. Quando hanno usato per la prima volta una rete neurale per capire quali proprietà si basavano su quali sequenze molecolari, non erano sicuri se avrebbero trovato una risposta ragionevole.

"Non sapevamo quante diverse sequenze polimeriche fossero necessarie per apprendere il comportamento dei materiali, " ha detto de Pablo. "La risposta avrebbe potuto essere milioni."

Per fortuna, la rete aveva bisogno solo di poche centinaia di sequenze diverse per apprendere le proprietà e prevedere il comportamento di sequenze molecolari completamente nuove. Ciò significava che gli sperimentatori potevano ora seguire una strategia simile e creare un database per addestrare una rete di apprendimento automatico per prevedere le proprietà dei polimeri sulla base di dati sperimentali.

Quella, però, era solo metà del problema. Prossimo, i ricercatori avevano bisogno di utilizzare le informazioni apprese dalla rete neurale per progettare effettivamente nuove molecole. Hanno proceduto a farlo e, per la prima volta, sono stati in grado di dimostrare la capacità di specificare una proprietà desiderata da una molecola polimerica e utilizzare l'apprendimento automatico per generare una serie di sequenze che avrebbero portato a tali proprietà.

Progettazione di polimeri specifici

Sebbene il sistema sia stato addestrato a comprendere solo un certo tipo di polimero, le potenziali implicazioni potrebbero estendersi a molti tipi. Non solo le aziende possono progettare prodotti più rispettosi dell'ambiente, potrebbero anche progettare polimeri che fanno esattamente quello che vogliono che facciano.

I polimeri vengono abitualmente disciolti in solventi per vernici, cosmetici, droghe, soluzioni mediche, e alimenti per controllare il flusso dei liquidi, Per esempio. I polimeri sono utilizzati anche in una vasta gamma di tecnologie avanzate, che vanno dalle applicazioni aerospaziali allo stoccaggio di energia ai dispositivi elettronici e biomedici. La progettazione di polimeri ad alta precisione per applicazioni specifiche potrebbe consentire alle aziende di progettare materiali in modo più conveniente, Più facile, e in modo più sostenibile.

Prossimo, il gruppo di ricerca spera di coinvolgere gli sperimentatori nello sviluppo di alcuni dei polimeri che hanno progettato e di continuare a perfezionare il loro sistema per creare polimeri ancora più complessi. Affidandosi a sistemi robotici per la sintesi ad alto rendimento e la caratterizzazione di nuove molecole, sperano di estendere il loro database per includere dati sperimentali.

"Crediamo di essere in prima linea in questo settore, " ha detto de Pablo. "Nei prossimi due o cinque anni, vedrai un lavoro di grande impatto uscire da questi sforzi e da quelli di altri gruppi di ricerca presso l'Università di Chicago, al Laboratorio Nazionale Argonne, e in tutto il mondo. Abbiamo anche costruito solide partnership con collaboratori industriali che ci consentiranno di accelerare il trasferimento di conoscenze dal mondo accademico al settore commerciale".