Метод искусственного интеллекта — машинное обучение — помогает ускорить разработку хорошо настраиваемых материалов, известных как металлоорганические каркасы (MOF), которые имеют важные приложения в химическом разделении, адсорбции, катализе и зондировании.
Используя данные о свойствах более 200 существующих MOF, платформа машинного обучения была обучена, чтобы помочь в разработке новых материалов путем прогнозирования часто важного свойства: устойчивости воды. Используя руководство модели , исследователи могут избежать трудоемкой задачи синтеза, а затем экспериментального тестирования новых кандидатов MOF на их водную стабильность. Исследователи уже расширяют эту модель для предсказания других важных свойств MOF.
Исследование, проведенное при поддержке программы фундаментальных энергетических наук Министерства энергетики США, было опубликовано 9 ноября в журнале Nature Machine Intelligence . Исследование было проведено в Центре понимания и контроля эволюции материалов для производства энергии под воздействием кислого газа (UNCAGE-ME), Исследовательского центра Министерства энергетики США на территории Технологического института Джорджии.
«Проблема стабильности воды с помощью MOF существует в этой области в течение долгого времени, и ее нелегко предсказать», — сказала Криста Уолтон, профессор и научный сотрудник Роберта «Бада» Меллера в Школе химической и биомолекулярной инженерии Технологического института Джорджии. «Вместо того, чтобы проводить синтез и экспериментировать, чтобы выяснить это для каждого кандидата MOF, эта модель машинного обучения теперь обеспечивает способ прогнозирования устойчивости воды с учетом набора желаемых характеристик. Это действительно ускорит процесс определения новых материалов для конкретные приложения».
MOF — это класс пористых и кристаллических материалов, которые синтезируются из неорганических ионов металлов или кластеров, связанных с органическими лигандами. Они известны своими легко настраиваемыми компонентами, которые можно настроить для конкретных приложений, но большое количество потенциальных комбинаций затрудняет выбор MOF с желаемыми свойствами. Вот где может помочь искусственный интеллект.
Машинное обучение играет все более важную роль в науке о материалах, сказал Рампи Рампрасад, профессор и председатель семьи Майкла Э. Тенненбаума в Технологической школе материаловедения и инженерии Джорджии и выдающемся ученом в области энергетической устойчивости Джорджии.
«Когда материаловеды планируют следующую серию экспериментов, мы используем интуицию и идеи, накопленные нами в прошлом», — сказал Рампрасад. «Машинное обучение позволяет нам в полной мере задействовать эти прошлые знания наиболее эффективным и действенным образом. Если уже проведено 200 экспериментов, машинное обучение позволяет нам использовать все, что было извлечено из них, при планировании 201-го эксперимента».
Помимо экспериментальных данных , машинное обучение также может использовать результаты моделирования на основе физики. И в отличие от моделирования, результаты моделей машинного обучения могут быть мгновенными. Он отметил, что алгоритм машинного обучения улучшается по мере получения большего количества информации, и полезны как отрицательные, так и положительные результаты.
«Великие открытия так же важны, как и не столь захватывающие открытия — неудачные эксперименты, — потому что машинное обучение использует оба конца спектра, чтобы улучшить то, что оно делает», — сказал Рампрасад.
Модель машинного обучения использовала информацию, которую Уолтон и ее исследовательская группа собрали на сотнях существующих MOF-материалов, как из соединений, разработанных в ее собственной лаборатории, так и из тех, о которых сообщили другие исследователи. Чтобы подготовить информацию для модели, на которой можно было учиться, она классифицировала каждый MOF по четырем параметрам устойчивости воды.
«Пара сотен точек данных, использованных для построения модели, представляют собой годы экспериментов», — сказал Уолтон. «Я потратил в основном первую половину своей карьеры, работая над тем, чтобы разобраться в проблеме устойчивости воды с помощью MOF, так что мы это тщательно изучали».
Используя модель, исследователи, которые разрабатывают новые адсорбенты и другие пористые материалы для конкретных применений, теперь могут проверить предложенные ими формулы, чтобы определить вероятность того, что новый MOF будет стабильным в присутствии воды. Это может быть особенно полезно для исследователей, которые не обладают этим конкретным опытом или не имеют легкого доступа к экспериментальным методам исследования стабильности.
«Сообщество MOF разнообразно, с множеством подразделов. Не у всех есть химическая интуиция относительно того, какие свойства материалов приводят к хорошей стабильности каркаса, а экспериментальная оценка часто требует специального оборудования, которое во многих лабораториях может не быть или в котором не было бы необходимости. «, — сказал Уолтон. — Однако с хорошими прогностическими моделями им не обязательно разрабатывать их, чтобы выбрать материал для конкретного применения. «Эта возможность потенциально открывает эту область для более широкой группы исследователей, которые могут ускорить разработку приложений».
Хотя проверка устойчивости воды важна, Рампрасад говорит, что это только начало потенциальных выгод от проекта. В машинного обучения можно обучить предсказывать другие свойства, если существует достаточный объем данных. Например, команда уже обучает свою модель факторам, влияющим на абсорбцию метана при различных уровнях давления. В этом случае моделирование предоставит большую часть данных, на основе которых модель будет учиться.
«У нас будет очень сильный предсказатель, который скажет нам, будет ли новый MOF стабильным в водных условиях и хорошим кандидатом для поглощения метана», — сказал он. «Мы создаем универсальную и масштабируемую платформу машинного обучения, которую можно обучать новым свойствам. Пока данные доступны, модель может учиться на них и делать прогнозы для новых случаев».
В дополнение к уже упомянутым, недавний научный сотрудник Технологического института Джорджии Рохит Батра и аспиранты Технологического института Джорджии Кармен Чен и Таня Дж. Эванс также были соавторами в статье Nature Machine Intelligence.
Рампрасад имеет опыт использования методов машинного обучения, применяемых к другим материалам и областям приложений, и недавно стал соавтором обзорной статьи «Новые экосистемы интеллектуального анализа материалов на основе машинного обучения» о ряде приложений искусственного интеллекта в материаловедении и инженерии. Предназначенный для демистификации машинного обучения и обзора историй успеха в области разработки материалов, он был опубликован также 9 ноября 2020 года в журнале Nature Reviews Materials .