L'algoritmo del computer di chimica fa di più con meno dati sperimentali per rivelare il modo ottimale per produrre materiali verdi.

L'apprendimento automatico potrebbe insegnarci come rendere la produzione di materiali più pulita e più sostenibile adottando una visione olistica per identificare il metodo di produzione più ecologico, suggeriscono i ricercatori KAUST.

La ricerca della sostenibilità significa che gli scienziati di tutto il mondo stanno sviluppando materiali avanzati per aiutare ad affrontare i problemi, compresa la cattura del carbonio, desalinizzazione dell'acqua e stoccaggio di energia, dice Rifan Hardian, un postdoc nel laboratorio di Gyorgy Szekely. "Sebbene questi materiali mostrino prestazioni promettenti, i materiali stessi sono spesso prodotti in modi insostenibili, utilizzando condizioni difficili, solventi tossici e processi ad alta intensità energetica che generano rifiuti eccessivi, creando potenzialmente più problemi ambientali di quanti ne risolvano, " dice Hardian.

In collaborazione con Xiangliang Zhang e il suo team, Szekely e Hardian hanno studiato un approccio più sostenibile allo sviluppo dei materiali, chiamato disegno di esperimenti (DoE). "A differenza degli approcci convenzionali all'ottimizzazione dei materiali, che variano un fattore alla volta, DoE è un approccio sistematico che consente di variare simultaneamente più fattori, " dice Hardian.

DoE teoricamente consente variabili, come la scelta del reagente e del solvente, tempo di reazione e temperatura di reazione da ottimizzare contemporaneamente. La procedura riduce il numero di esperimenti condotti e identifica anche potenzialmente il modo più ecologico possibile per realizzare un materiale. Però, è difficile ottimizzare ogni variabile per identificare il miglior protocollo di reazione da tali dati sperimentali sparsi. "È qui che entra in gioco l'apprendimento automatico, " dice Hardian.

L'apprendimento automatico è una forma di intelligenza artificiale che può apprendere modelli da un numero limitato di punti dati per riempire gli spazi vuoti nei dati. "Per di qua, si può visualizzare l'intero spazio sperimentale e scegliere l'unica condizione di reazione che meglio si adatta ai risultati desiderati, " dice Hardian.

Il team ha combinato DoE e machine learning per identificare un metodo sostenibile per realizzare un popolare materiale MOF (Metal Organic Framework) chiamato ZIF-8. "ZIF-8 ha un grande potenziale nelle applicazioni, come la separazione del gas, catalisi, rimozione di metalli pesanti e bonifiche ambientali, " Dice Hardian. Il team ha ottimizzato 10 variabili nella sintesi elettrochimica di ZIF-8, identificare un processo ad alto rendimento che utilizzasse l'acqua come solvente e generasse scarti minimi. "Grazie all'apprendimento automatico, abbiamo sviluppato una visione olistica delle interazioni delle variabili e identificato molte correlazioni inaspettate che avrebbero potuto essere perse se avessimo seguito un approccio convenzionale, " dice Hardian.

La prossima pietra miliare sarà applicare DoE e machine learning alla produzione di materiali su larga scala, dice Szekely. "In definitiva, il nostro obiettivo è trasformare la visione futuristica di un sistema di laboratorio autonomo, che può funzionare continuamente e auto-ottimizzare le condizioni di reazione, in una realtà, " lui dice.