Koristeći moć predviđanja, mašinski inženjeri Univerziteta Viskonsin-Medison su brzo otkrili nekoliko obećavajućih polimera visokih performansi iz polja od 8 miliona kandidata.
Vazduhoplovna, automobilska i elektronska industrija koriste ove polimere, poznate kao poliimidi, za širok spektar primena jer imaju odlične mehaničke i termičke osobine — uključujući čvrstoću, krutost i otpornost na toplotu.
Trenutno postoji ograničen broj postojećih poliimida jer je proces njihovog dizajna skup i dugotrajan.
Međutim, sa svojim okvirom dizajna zasnovanim na podacima, inženjeri UV-Madisona koriste predviđanja mašinskog učenja i simulacije molekularne dinamike kako bi dramatično ubrzali otkrivanje novih poliimida sa još boljim svojstvima.
Tim je detaljno opisao svoj pristup u radu objavljenom ovog meseca u časopisu Chemical Engineering Journal.
„Naši nalazi imaju široke implikacije na oblast nauke o materijalima i inspirisaće dalja istraživanja u razvoju naprednih tehnika zasnovanih na podacima za otkrivanje materijala“, kaže Jing Li, vanredni profesor mašinstva na UV–Madisonu koji je vodio istraživanje. „Naša strategija dizajna je mnogo efikasnija u poređenju sa konvencionalnim procesom pokušaja i grešaka i može se primeniti i na molekularni dizajn drugih polimernih materijala.“
Poliimidi se proizvode reakcijom kondenzacije molekula dianhidrida i diamin/diizocijanata. Za svoju studiju, inženjeri su prvo prikupili podatke otvorenog koda o hemijskim strukturama svih postojećih molekula dianhidrida i diamin/diizocijanata, a zatim su te podatke iskoristili za izgradnju sveobuhvatne biblioteke od 8 miliona hipotetičkih poliimida.
„To je kao da pravite nešto od LEGO kockica“, kaže Li. „Imate osnovne građevne blokove — čitavu gomilu različitih molekula dianhidrida i diamin/diizocijanata. I možete pokušati da izgradite sve moguće strukture ručno, ali to bi potrajalo zauvek jer su različite kombinacije ogromne.“
Dakle, Li i njegove kolege su koristili računar za kombinovanje građevinskih blokova, što im je omogućilo da organizuju sve moguće kombinacije u ogromnu bazu podataka.
Baza podataka u ruci, tim je kreirao više modela mašinskog učenja za termička i mehanička svojstva poliimida na osnovu eksperimentalno prijavljenih vrednosti. Koristeći različite tehnike mašinskog učenja, istraživači su identifikovali hemijske podstrukture koje su najvažnije za određivanje pojedinačnih svojstava.
„Ugradili smo tehnike koje u suštini objašnjavaju kako se naš model mašinskog učenja ponaša, tako da naš model nije crna kutija“, kaže Li. „Napravili smo providnu kutiju koja omogućava ljudskim stručnjacima da odmah shvate zašto je model mašinskog učenja doneo određenu odluku.
Primenjujući svoje dobro obučene modele mašinskog učenja, istraživači su dobili predviđanja za svojstva 8 miliona hipotetičkih poliimida. Zatim su pregledali ceo skup podataka i identifikovali tri najbolja hipotetička poliimida sa kombinovanim svojstvima superiornijim u odnosu na postojeće poliimide.
Takođe su proverili svoj rad: istraživači su izgradili modele svih atoma za svoja tri najbolja kandidata i sproveli simulacije molekularne dinamike kako bi izračunali ključnu termičku osobinu.
„Simulacije molekularne dinamike bile su u dobrom skladu sa predviđanjima iz modela mašinskog učenja, tako da nam to daje uverenje da su naša predviđanja prilično pouzdana“, kaže Li. „Pored toga, simulacije su pokazale da bi ove nove poliimide bilo lako sintetizovati.“
Kao konačnu metodu validacije, tim je napravio jedan od novih poliimida i izveo eksperimente koji su pokazali odličnu otpornost materijala na toplotu. Njihovi eksperimentalni rezultati pokazali su da novi poliimid može da izdrži temperaturu od oko 1.022 stepena Farenhajta pre nego što počne da se degradira – rezultat koji se slagao sa njihovim predviđanjima mašinskog učenja.
Nasuprot tome, postojeći poliimidi mogu da izdrže temperature samo u opsegu od 392 do 572 stepena F. Istraživači su takođe kreirali veb-baziranu aplikaciju koja omogućava korisnicima da istražuju nove poliimide visokih performansi uz interaktivnu vizuelizaciju.
