Pembelajaran mesin mempercepat penemuan materi untuk digunakan dalam proses industri
Machine

Pembelajaran mesin mempercepat penemuan materi untuk digunakan dalam proses industri


Kecerdasan buatan memungkinkan desain otonom dari bahan nanoporous. Kredit: Universitas Toronto

Penelitian baru yang dipimpin oleh para peneliti di University of Toronto (U of T) dan Northwestern University menggunakan pembelajaran mesin untuk membuat blok bangunan terbaik dalam perakitan bahan kerangka untuk digunakan dalam aplikasi yang ditargetkan.

Penemuan yang dipublikasikan hari ini di Kecerdasan Mesin Alam, menunjukkan bahwa penggunaan pendekatan kecerdasan buatan (AI) dapat membantu dalam mengusulkan materi baru untuk berbagai aplikasi. Salah satu contohnya adalah pemisahan karbondioksida dari proses pembakaran industri. Pendekatan AI menjanjikan percepatan siklus desain untuk material.

Dengan tujuan meningkatkan pemisahan bahan kimia dalam proses industri, tim peneliti — termasuk kolaborator dari Universitas Harvard dan Universitas Ottawa — berangkat untuk mengidentifikasi kerangka retikuler terbaik (misalnya, kerangka organik logam, kerangka organik kovalen) untuk digunakan dalam proses. Kerangka kerja tersebut, yang dapat dianggap sebagai “spons” molekul yang disesuaikan, terbentuk melalui perakitan sendiri blok penyusun molekul ke dalam pengaturan yang berbeda dan mewakili kelompok baru bahan berpori kristal yang telah terbukti menjanjikan dalam mengatasi banyak tantangan teknologi ( misalnya, energi bersih, sensor, biomedis, dll.)

“Kami membangun platform penemuan material otomatis yang menghasilkan desain berbagai kerangka molekuler, secara signifikan mengurangi waktu yang dibutuhkan untuk mengidentifikasi material optimal untuk digunakan dalam proses khusus ini,” kata Zhenpeng Yao, seorang rekan pasca doktoral di Departemen Kimia dan Ilmu Komputer di Fakultas Seni & Sains di U of T, dan penulis utama studi ini. “Dalam penggunaan platform yang ditunjukkan ini, kami menemukan kerangka kerja yang sangat kompetitif terhadap beberapa bahan berkinerja terbaik yang digunakan untuk CO2 pemisahan yang diketahui sampai saat ini. “

Tantangan abadi dalam mengatasi CO2 pemisahan dan masalah lain seperti pengurangan gas rumah kaca dan pengembangan vaksin, bagaimanapun, adalah jumlah waktu yang tidak dapat diprediksi dan upaya percobaan-dan-kesalahan yang ekstensif diperlukan dalam mengejar bahan baru tersebut. Kombinasi blok penyusun molekul yang kadang-kadang tak terbatas yang tersedia dalam konstruksi senyawa kimia dapat berarti habisnya waktu dan sumber daya yang signifikan sebelum terobosan dibuat.

“Mendesain bahan retikuler sangat menantang, karena mereka menyatukan aspek-aspek sulit dari pemodelan kristal bersama dengan yang dari molekul pemodelan dalam satu masalah,” kata rekan penulis senior Alán Aspuru-Guzik, Ketua Riset Kanada 150 dalam Kimia Teoritis di Departemen Kimia dan Ilmu Komputer di U of T dan Ketua CIFAR AI Kanada di Vector Institute. “Pendekatan kimia retikuler ini mencontohkan fokus kami yang muncul di U dari T untuk mempercepat pengembangan material melalui kecerdasan buatan. Dengan menggunakan model AI yang dapat ‘bermimpi’ atau menyarankan materi baru, kami dapat melampaui pendekatan penyaringan berbasis perpustakaan tradisional . “

Para peneliti fokus pada pengembangan kerangka logam-organik (MOFs) yang sekarang dianggap sebagai bahan penyerap yang ideal untuk menghilangkan CO.2 dari gas buang dan proses pembakaran lainnya.

“Kami mulai dengan pembangunan sejumlah besar struktur MOF di komputer, mensimulasikan kinerjanya menggunakan pemodelan tingkat molekuler, dan membangun kumpulan pelatihan yang dapat diterapkan untuk aplikasi CO yang dipilih2 pemisahan, “kata rekan penulis studi Randall Snurr, Profesor John G. Searle dan ketua Departemen Teknik Kimia & Biologi di Sekolah Teknik McCormick di Universitas Northwestern.” Di masa lalu, kami akan menyaring melalui kumpulan kandidat secara komputasi dan melaporkan kandidat teratas. Apa yang baru di sini adalah bahwa platform penemuan bahan otomatis yang dikembangkan dalam upaya kolaboratif ini lebih efisien daripada penyaringan “kekuatan kasar” dari setiap materi dalam database. Mungkin yang lebih penting, pendekatan ini menggunakan algoritme pembelajaran mesin untuk belajar dari data saat mengeksplorasi ruang materi dan benar-benar menyarankan materi baru yang awalnya tidak dibayangkan. “

Para peneliti mengatakan model tersebut menunjukkan kemampuan prediksi dan pengoptimalan yang hebat dalam desain kerangka kerja retikuler baru, terutama dalam kombinasi dengan kandidat yang sudah dikenal dalam fungsi tertentu, dan bahwa platform tersebut sepenuhnya dapat disesuaikan dalam aplikasinya untuk mengatasi banyak tantangan teknologi kontemporer.


Memisahkan gas menggunakan saringan molekuler fleksibel


Informasi lebih lanjut:
Zhenpeng Yao et al, Desain terbalik dari bahan retikuler kristal nanopori dengan model generatif yang dalam, Kecerdasan Mesin Alam (2021). DOI: 10.1038 / s42256-020-00271-1

Disediakan oleh University of Toronto

Kutipan: Pembelajaran mesin mempercepat penemuan materi untuk digunakan dalam proses industri (2021, 12 Januari) diambil 12 Januari 2021 dari https://techxplore.com/news/2021-01-machine-discovery-materials-industrial.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP