Nylon, teflon, kevlar. To tylko kilka znanych polimerów — związków chemicznych o dużych cząsteczkach — które zmieniły świat. Od patelni pokrytych teflonem po druk 3D — polimery są niezbędne do tworzenia systemów, które sprawiają, że świat funkcjonuje lepiej.
Znalezienie kolejnego przełomowego polimeru zawsze stanowi wyzwanie, ale teraz naukowcy z Georgia Tech wykorzystują sztuczną inteligencję (AI), aby kształtować i przekształcać przyszłość tej dziedziny. Grupa Rampi Ramprasad opracowuje i dostosowuje algorytmy AI, aby przyspieszyć odkrywanie materiałów.
Tego lata dwa artykuły opublikowane w rodzinie czasopism Nature podkreślają znaczące postępy i historie sukcesu wynikające z lat badań nad informatyką polimerową napędzaną przez AI. Pierwszy z nich, zaprezentowany w Nature Reviews Materials, prezentuje ostatnie przełomy w projektowaniu polimerów w krytycznych i współczesnych domenach zastosowań: magazynowanie energii, technologie filtracji i tworzywa sztuczne nadające się do recyklingu. Drugi, opublikowany w Nature Communications, koncentruje się na wykorzystaniu algorytmów AI do odkrywania podklasy polimerów do magazynowania energii elektrostatycznej, przy czym zaprojektowane materiały przechodzą pomyślną syntezę laboratoryjną i testy.
„Na początku rozwoju sztucznej inteligencji w nauce o materiałach, napędzanej inicjatywą Materials Genome Initiative Białego Domu ponad dekadę temu, badania w tej dziedzinie były w dużej mierze napędzane ciekawością” — powiedział Ramprasad, profesor w School of Materials Science and Engineering. „Dopiero w ostatnich latach zaczęliśmy dostrzegać namacalne, rzeczywiste historie sukcesu w przyspieszonym odkrywaniu polimerów napędzanym przez sztuczną inteligencję. Te sukcesy inspirują obecnie znaczące transformacje w krajobrazie badań i rozwoju materiałów przemysłowych. To właśnie sprawia, że ta recenzja jest tak znacząca i aktualna”.
Możliwości AI
Zespół Ramprasada opracował przełomowe algorytmy, które mogą natychmiast przewidywać właściwości i formulacje polimerów, zanim zostaną fizycznie utworzone. Proces rozpoczyna się od zdefiniowania właściwości docelowych lub kryteriów wydajności specyficznych dla aplikacji. Modele uczenia maszynowego (ML) trenują na istniejących danych o właściwościach materiałów, aby przewidzieć te pożądane wyniki. Ponadto zespół może generować nowe polimery, których właściwości są prognozowane za pomocą modeli ML. Najlepsi kandydaci, którzy spełniają kryteria właściwości docelowych, są następnie wybierani do walidacji w świecie rzeczywistym poprzez syntezę i testowanie w laboratorium. Wyniki tych nowych eksperymentów są integrowane z oryginalnymi danymi, co dodatkowo udoskonala modele predykcyjne w ciągłym, iteracyjnym procesie.
Chociaż AI może przyspieszyć odkrywanie nowych polimerów, stawia również wyjątkowe wyzwania. Dokładność przewidywań AI zależy od dostępności bogatych, zróżnicowanych, rozległych zestawów danych początkowych, co sprawia, że dane wysokiej jakości są najważniejsze. Ponadto projektowanie algorytmów zdolnych do generowania chemicznie realistycznych i syntetyzowalnych polimerów jest złożonym zadaniem.
Prawdziwe wyzwanie zaczyna się po tym, jak algorytmy dokonają swoich przewidywań: udowodnienie, że zaprojektowane materiały można wykonać w laboratorium i że działają zgodnie z oczekiwaniami, a następnie zademonstrowanie ich skalowalności poza laboratorium do użytku w świecie rzeczywistym. Grupa Ramprasada projektuje te materiały, a ich wytwarzaniem, przetwarzaniem i testowaniem zajmują się współpracownicy z różnych instytucji, w tym Georgia Tech. Profesor Ryan Lively ze School of Chemical and Biomolecular Engineering często współpracuje z grupą Ramprasada i jest współautorem artykułu opublikowanego w Nature Reviews Materials.
„W naszych codziennych badaniach szeroko wykorzystujemy modele uczenia maszynowego opracowane przez zespół Rampi'ego” — powiedział Lively. „Te narzędzia przyspieszają naszą pracę i pozwalają nam szybko eksplorować nowe pomysły. To ucieleśnia obietnicę ML i AI, ponieważ możemy podejmować decyzje kierowane modelem, zanim poświęcimy czas i zasoby na eksplorację koncepcji w laboratorium”.
Wykorzystując sztuczną inteligencję, zespół Ramprasada i jego współpracownicy poczynili znaczące postępy w wielu dziedzinach, obejmujących m.in. magazynowanie energii, technologie filtracji, produkcję addytywną i materiały nadające się do recyklingu.
Postęp polimerów
Jednym z godnych uwagi sukcesów, opisanych w artykule w Nature Communications, jest zaprojektowanie nowych polimerów do kondensatorów, które magazynują energię elektrostatyczną. Urządzenia te są kluczowymi komponentami w pojazdach elektrycznych i hybrydowych, a także w innych zastosowaniach. Grupa Ramprasada współpracowała z badaczami z University of Connecticut.
Obecne polimery kondensatorowe oferują wysoką gęstość energii lub stabilność termiczną, ale nie obie te cechy. Wykorzystując narzędzia AI, naukowcy ustalili, że materiały izolacyjne wykonane z polimerów polinorbornenowych i poliimidowych mogą jednocześnie osiągać wysoką gęstość energii i wysoką stabilność termiczną. Polimery można dodatkowo udoskonalić, aby działały w wymagających środowiskach, takich jak zastosowania w lotnictwie i kosmonautyce, przy jednoczesnym zachowaniu zrównoważonego rozwoju środowiska.
„Nowa klasa polimerów o wysokiej gęstości energii i wysokiej stabilności termicznej jest jednym z najbardziej konkretnych przykładów tego, jak AI może kierować odkrywaniem materiałów” — powiedział Ramprasad. „Jest to również wynik wieloletniej współpracy multidyscyplinarnej z Gregiem Sotzingiem i Yang Cao z University of Connecticut oraz stałego sponsorowania przez Office of Naval Research”.
Potencjał branży
Potencjał rzeczywistego przełożenia rozwoju materiałów wspomaganych przez AI jest podkreślany przez udział przemysłu w artykule Nature Reviews Materials. Współautorzy tego artykułu to również naukowcy z Toyota Research Institute i General Electric. Aby jeszcze bardziej przyspieszyć adopcję rozwoju materiałów napędzanego przez AI w przemyśle, Ramprasad współtworzył Matmerize Inc., startup oprogramowania niedawno wydzielony z Georgia Tech. Ich oparte na chmurze oprogramowanie do informatyki polimerowej jest już używane przez firmy z różnych sektorów, w tym energetyki, elektroniki, produktów konsumenckich, przetwórstwa chemicznego i zrównoważonych materiałów.
„Matmerize przekształciło nasze badania w solidne, wszechstronne i gotowe do zastosowania w przemyśle rozwiązanie, umożliwiając użytkownikom projektowanie materiałów wirtualnie z większą wydajnością i przy niższych kosztach” — powiedział Ramprasad. „To, co zaczęło się jako ciekawostka, zyskało znaczący rozpęd i wkraczamy w ekscytującą nową erę materiałów projektowanych”.