Credito:Unsplash/CC0 di dominio pubblico
Le membrane polimeriche sono comunemente utilizzate nell'industria per la separazione di gas come CO2 da fumi e metano da gas naturale. Per diversi decenni, i ricercatori hanno studiato vari polimeri per migliorarne la permeabilità e l'utilità, ma hanno incontrato un ostacolo quando si tratta di testarli tutti in modo rapido ed efficiente. In una recente pubblicazione su Science Advances , UConn Assistente Professore di Ingegneria Meccanica Ying Li, Università del Connecticut (UConn) Professore Centenario di Ingegneria Chimica e Biomolecolare Jeff McCutcheon; I ricercatori dell'UConn Lei Tao, Jinlong He; e il ricercatore Jason Yang del California Institute of Technology hanno trovato un nuovo modo innovativo di utilizzare l'apprendimento automatico (ML) per testare e scoprire nuove membrane polimeriche.
Attraverso l'indagine, gli autori sottolineano l'attuale approccio Edisoniano alla progettazione delle membrane:"Nei decenni di sviluppo tecnologico nel campo della scienza delle membrane, la progettazione di nuovi materiali per membrane è stata, e rimane, un processo in gran parte per tentativi ed errori, guidato da esperienza e intuizione. Gli approcci attuali generalmente implicano la messa a punto di gruppi chimici per aumentare l'affinità e la solubilità verso il gas desiderato o l'incorporazione di un volume libero maggiore per aumentare la diffusività complessiva."
Come metodo alternativo a noiosi esperimenti, i modelli computazionali possono essere utilizzati per prevedere le prestazioni della membrana. Tuttavia, sono troppo costosi o con una bassa precisione causata dalle approssimazioni semplificate. Per ovviare a questa lacuna, il team ha sviluppato un modo accurato per identificare nuovi polimeri ad alte prestazioni utilizzando metodi ML.
Utilizzando più funzionalità di impronte digitali e descrittori chimici fissi, il team ha utilizzato il deep learning su un piccolo set di dati per collegare la chimica della membrana alle prestazioni della membrana. Tradizionalmente, i modelli RF (Random Forest) sono noti per funzionare meglio su piccoli set di dati, ma il team ha scoperto che le reti neurali profonde hanno funzionato bene grazie all'uso dell'ensembling, che combina la previsione di più modelli.
Inoltre, il team ha scoperto che il modello ML è stato in grado di scoprire migliaia di polimeri con prestazioni previste superiori al limite superiore di Robeson, che è uno standard utilizzato per definire il compromesso di permeabilità e selettività per le membrane polimeriche di separazione dei gas. Inoltre, i polimeri scoperti con una permeabilità ultraelevata consentirebbero all'industria di eseguire separazioni di gas con una maggiore produttività, pur mantenendo un elevato livello di selettività.
I ricercatori riassumono:"In definitiva, forniamo alla comunità di progettazione delle membrane molti nuovi polimeri candidati ad alte prestazioni e caratteristiche chimiche chiave da considerare quando si progettano le loro strutture molecolari. Le lezioni del flusso di lavoro dimostrate in questo studio possono probabilmente servire da guida per altri materiali attività di scoperta e progettazione, come membrane polimeriche per la desalinizzazione e il trattamento dell'acqua, celle a combustibile ad alta temperatura e catalisi. Con il continuo miglioramento delle tecniche di ML e un aumento della potenza di calcolo, prevediamo che i framework di progettazione assistita da ML guadagneranno popolarità e fornire risultati sempre più sostanziali nella scoperta di materiali per un'ampia gamma di applicazioni". + Esplora ulteriormente
