Uczenie maszynowe pomaga znaleźć silniejsze polimery

Strategia opracowana przez naukowców z MIT i Duke University wykorzystuje uczenie maszynowe w celu zidentyfikowania cząsteczek sieciowych, które zwiększają odporne na łzawienie.Może to pomóc zmniejszyć odpady z tworzyw sztucznych.Metoda koncentruje się na mechanoforach, które są cząsteczkami, które zmieniają strukturę lub zachowanie po wystawieniu na siłę, i wykorzystuje sieć neuronową do badania kandydatów.

Naukowcy zastosowali tę metodę do Ferrocenes, związków zawierających żelazo nie badane jako mechaniofory.Testy wykazały, że materiał był około czterokrotnie trudniejszy niż te wykonane ze standardowymi sieciowcami opartymi na ferrocenie.

Pierwszy krok polegał na symulacji około 400 Ferrocenes w celu obliczenia siły potrzebnej do złamania wiązań.Dane przeszkoliły model uczenia maszynowego, aby przewidzieć odporność łez w innych związkach.Model znalazł dwie cechy, które poprawiły wydajność - interakcje między grupami chemicznymi na pierścieniu i obecność dużych grup po obu stronach ferrocenu.Chociaż oczekiwano pierwszej funkcji, druga była wynikiem znalezionym przez AI i nie przewidywaną przez ludzkiego chemika.

Znalezienie i testowanie mechanofory jest zwykle powolnym procesem.Większość znanych mechanoforów jest organiczna, takich jak cyklobutan, który był używany jako sieciowy.Testowanie jednego mechanoforu w laboratorium może potrwać tygodnie.Nawet symulacje zajmują dni.To sprawia, że tradycyjne badania przesiewowe są trudne, gdy istnieją tysiące opcji.

Ferrocenes są powszechne w badaniach katalizy i leków, ale nie zostały przetestowane jako mechanofory.Te związki organometaliczne mają atom żelaza między dwoma pierścieniami na bazie węgla.Pierścienie przenoszą grupy chemiczne, które wpływają na sposób reagowania cząsteczki na siłę.

Pracując z Ferrocenes i korzystając z uczenia maszynowego, zespół wykazał bardziej skalowalny sposób na znalezienie przydatnych mechaniforów.Takie podejście może również pomóc w znalezieniu związków, które reagują na siłę poprzez zmianę koloru, wyzwalając reakcje lub inne zachowania.Może to być przydatne w wykrywaniu stresu, przełączaniu katalizatorów lub dostarczaniu leków.

Przyszłe prace prawdopodobnie przyjrzą się Ferrocenes i inne związki na bazie metali, aby znaleźć więcej mechanoforów i opracować nowe materiały.