Ricercatori presso la Columbia Engineering, guidato dai professori di ingegneria chimica Venkat Venkatasubramanian e Sanat Kumar, hanno sviluppato un nuovo approccio alla progettazione di nuovi materiali nanostrutturati attraverso una struttura di progettazione inversa che utilizza algoritmi genetici. Lo studio, pubblicato nell'edizione Early Online del 28 ottobre di Atti dell'Accademia Nazionale delle Scienze ( PNAS ), è il primo a dimostrare l'applicazione di questa metodologia alla progettazione di nanostrutture autoassemblanti, e mostra il potenziale dell'apprendimento automatico e degli approcci "big data" incarnati nel nuovo Institute for Data Sciences and Engineering della Columbia.

"Il nostro framework può aiutare ad accelerare il processo di scoperta dei materiali, "dice Venkatasubramanian, Samuel Ruben-Peter G. Viele Professore di Ingegneria, e coautore del paper. "In un senso, stiamo sfruttando il modo in cui la natura scopre nuovi materiali - il modello di evoluzione darwiniano - sposandolo opportunamente con metodi computazionali. È Darwin sotto steroidi!"

Usando un algoritmo genetico che hanno sviluppato, i ricercatori hanno progettato particelle innestate di DNA che si autoassemblavano nelle strutture cristalline che volevano. Il loro era un modo "inverso" di fare ricerca. Nella ricerca convenzionale, le particelle colloidali innestate con DNA a filamento singolo possono autoassemblarsi, e quindi vengono esaminate le strutture cristalline risultanti. "Sebbene questo approccio edisoniano sia utile per la comprensione a posteriori dei fattori che regolano l'assemblea, " nota Kumar, Presidente del Dipartimento di Ingegneria Chimica e coautore dello studio, "non ci consente di progettare a priori questi materiali nelle strutture desiderate. Il nostro studio affronta questo problema di progettazione e presenta un approccio di ottimizzazione evolutiva che non solo è stato in grado di riprodurre il diagramma di fase originale che dettaglia le regioni dei cristalli noti, ma anche per chiarire strutture precedentemente inosservate."

I ricercatori stanno utilizzando concetti e tecniche di "big data" per scoprire e progettare nuovi nanomateriali, un'area prioritaria nell'ambito della Materials Genome Initiative della Casa Bianca, utilizzando una metodologia che rivoluzionerà la progettazione dei materiali, impattando su una vasta gamma di prodotti che influenzano la nostra vita quotidiana, da farmaci e prodotti chimici agricoli come pesticidi o erbicidi agli additivi per combustibili, pitture e vernici, e persino prodotti per la cura personale come lo shampoo.

"Questo approccio di progettazione inversa dimostra il potenziale dell'apprendimento automatico e degli approcci di ingegneria degli algoritmi a problemi impegnativi nella scienza dei materiali, "dice Kathleen McKeown, direttore dell'Institute for Data Sciences and Engineering e Henry e Gertrude Rothschild Professor of Computer Science. "All'Istituto, siamo concentrati sull'essere pionieri di tali progressi in una serie di problemi di grande importanza pratica in ingegneria."

Venkatasubramanian aggiunge, "Scoprire e progettare nuovi materiali e formulazioni avanzate con le proprietà desiderate è un problema importante e stimolante, che comprende un'ampia varietà di prodotti nelle industrie che affrontano l'energia pulita, sicurezza nazionale, e il benessere umano." Sottolinea che il tradizionale approccio edisoniano alla scoperta di tentativi ed errori richiede tempo e denaro:può causare gravi ritardi nel time-to-market e perdere potenziali soluzioni. E la quantità sempre crescente di dati di sperimentazione ad alto rendimento, mentre una grande sfida di modellistica e informatica, ha anche creato opportunità per la progettazione e la scoperta dei materiali.

I ricercatori si sono basati sul loro lavoro precedente per sviluppare quello che chiamano un quadro evolutivo per la scoperta automatizzata di nuovi materiali. Venkatasubramanian ha proposto il quadro progettuale e analizzato i risultati, e Kumar hanno sviluppato il quadro nel contesto dei nanomateriali autoassemblati. Babji Srinivasan, un postdoc con Venkatasubramanian e Kumar e ora assistente professore all'IIT Gandhinagar, e Thi Vo, un dottorando alla Columbia Engineering, ha svolto la ricerca computazionale. Il team ha collaborato con Oleg Gang e Yugang Zhang del Brookhaven National Laboratory, che ha condotto gli esperimenti di supporto.

Il team prevede di continuare a esplorare lo spazio di progettazione di potenziali nanostrutture colloidali innestate di ssDNA, migliorare i suoi modelli futuri, e introdurre tecniche di apprendimento automatico più avanzate. "Abbiamo bisogno di un nuovo paradigma che aumenti il ​​flusso delle idee, amplia l'orizzonte di ricerca, e archivia la conoscenza dei successi di oggi per accelerare quelli di domani, "dice Venkatasubramanian.