12 ژانویه 2021 توسط دانشگاه تورنتو
یادگیری ماشینی سرعت کشف مواد برای استفاده در فرآیندهای صنعتی را تسریع وهوش مصنوعی امکان طراحی مستقل مواد نانو متخلخل را فراهم می کند. تحقیقات جدید به سرپرستی محققان دانشگاه تورنتو و دانشگاه نورث وسترن ، یادگیری ماشینی را برای ساختن بهترین بلوک های ساختاری در مونتاژ مواد برای استفاده در یک برنامه هدفمند به کار می گیرد.
یافته های منتشر شده در Nature Machine Intelligence ، نشان داد که استفاده از رویکردهای هوش مصنوعی (AI) می تواند به پیشنهاد مواد جدید برای کاربردهای متنوع کمک کند. یک مثال آن جداسازی دی اکسید کربن از فرآیندهای احتراق صنعتی است. رویکردهای AI نوید تسریع در چرخه طراحی مواد را می دهند.
با هدف بهبود جداسازی مواد شیمیایی در فرآیندهای صنعتی ، تیم محققان – از جمله همكاران دانشگاه هاروارد و دانشگاه اتاوا – برای شناسایی بهترین چارچوب های مشبك (به عنوان مثال ، چارچوب های آلی فلزی ، چارچوب های آلی كووالان) وارد کار زار شده اند . چنین چارچوب هایی ، که می توان آنها را “اسفنج” های مولکولی متناسب دانست ، از طریق خود مونتاژی بلوک های ساختاری مولکولی در آرایش های مختلف شکل می گیرند و نشان دهنده خانواده جدیدی از ساختار متخلخل است که ثابت شده در کمک به بسیاری از چالش های فن آوری امیدوار کننده است ( به عنوان مثال ، انرژی پاک ، حسگر ، پزشکی زیستی و غیره)
Zhenpeng Yao ، دانشجوی فوق دکترا در گروه های شیمی و علوم کامپیوتر می گوید: “ما یک پلت فرم خودکار کشف مواد ایجاد کردیم که طراحی چارچوب های مختلف مولکولی را ایجاد می کند ، به طور قابل توجهی زمان مورد نیاز برای شناسایی مواد بهینه را برای استفاده در این فرآیند خاص کاهش می دهد.” “در این کار با استفاده شده از پلتفرم ، ما چارچوب هایی را کشف کردیم که در برابر برخی از بهترین مواد استفاده شده برای جداسازی CO2 شناخته شده تا کنون قابل رقابت است.”
چالش های چند ساله درتحقیقات در جداسازی CO2 و سایر مشکلات مانند کاهش گازهای گلخانه ای و تولید واکسن ، زمان غیر قابل پیش بینی و تلاش های گسترده آزمایش و خطا است که در پیگیری چنین مواد جدیدی مورد نیاز است. ترکیبی از بی نهایت از بلوک های ساختمانی مولکولی موجود در ساخت ترکیبات شیمیایی می تواند به معنی از دست دادن مقدار قابل توجهی از زمان و منابع قبل از دستیابی به موفقیت باشد .
همکار ارشد آلن آسپورو-گوزیک ، رئیس صندلی تحقیقاتی 150 کانادا در شیمی نظری در گروه های شیمی و شیمی ، می گوید: “طراحی مواد متخلخل به ویژه چالش برانگیز است ، زیرا آنها جنبه های سخت کریستال های مدلسازی را با مولکول های مدلسازی در یک مسئله واحد همراه می کنند.” “این رویكرد برای شیمی متخلخل ، نمونه تمركز ما در تسریع در تولید مواد با استفاده از هوش مصنوعی است. با استفاده از یك مدل هوش مصنوعی كه می تواند” ردیایی “یا پیشنهاد مواد جدید را داشته باشد ، می توانیم فراتر از رویه غربالگری سنتی مبتنی بر مطالعه ی كتابخانه ای برویم. “
محققان بر توسعه چارچوب های فلزی – آلی (MOF) تمرکز کردند که اکنون به عنوان ماده جذب کننده ایده آل برای حذف CO2 از گاز دودکش و سایر فرآیندهای احتراق در نظر گرفته می شوند.
محققان می گویند این مدل پیش بینی و قابلیت بهینه سازی زیادی را در طراحی چارچوب های متخلخل جدید نشان می دهد ، به ویژه در ترکیب با موارد شناخته شده قبلی در عملکردهای خاص مورد نیاز هستند ، و این پلتفرم در کاربرد خود کاملاً قابل تنظیم است تا بسیاری از چالش های فن آوری معاصر را برطرف کند.
