Las jaulas nanométricas pueden desempeñar un papel importante en la reducción del consumo de energía en la ciencia y la industria. y la investigación de aprendizaje automático en la Universidad Estatal de Oregon tiene como objetivo acelerar el despliegue de estas moléculas notables.

Las moléculas de jaula orgánica porosa que se están estudiando en OSU son capaces de capturar selectivamente moléculas de gas, potencialmente permitiendo enormes ahorros de energía en la miríada de separaciones de gases llevadas a cabo en el sector químico.

"Estos sólidos moleculares porosos son como esponjas que absorben los gases de forma discriminatoria, "dijo Cory Simon, profesor asistente de ingeniería química y autor correspondiente de un estudio publicado en Ciencia Central ACS .

Juntos, la separación y purificación de mezclas químicas es responsable de más del 10 por ciento del consumo energético mundial.

Las moléculas de jaula porosa tienen cavidades nanométricas intrínsecas a su estructura, y las moléculas de gas son atraídas y atrapadas dentro de estas cavidades por adsorción.

"Pero cada jaula adsorbe ciertos gases más fácilmente que otros, y esta propiedad hace que las jaulas sean potencialmente útiles para separar mezclas de gases con mayor eficiencia energética, " Simon dijo.

Sin embargo, hay miles de estas moléculas de jaula que podrían sintetizarse (fabricar incluso una de ellas y probar sus propiedades lleva meses en el laboratorio) y la industria requiere cientos de separaciones químicas diferentes; de ahí la necesidad de un enfoque computacional para clasificar las posibilidades y encontrar la mejor molécula para el trabajo en cuestión.

Simon aprovechó la idea de que la forma de cualquier cavidad dada es responsable de qué moléculas de gas atrae con mayor facilidad.

Simon y los estudiantes Arni Sturluson, Melanie Huynh y Arthur York emplearon un método de aprendizaje automático "no supervisado" para categorizar y agrupar las moléculas de la jaula en función de la forma de sus cavidades y, por lo tanto, propiedades de adsorción.

Sin supervisión significa que la computadora aprendió sobre las relaciones forma / propiedad por sí misma; no se le dio ninguna etiqueta para instruirlo.

"Simplemente muestre los datos al algoritmo, y encuentra automáticamente patrones (estructura) en los datos, " Simon dijo.

Los investigadores utilizaron un conjunto de datos de entrenamiento de 74 moléculas de jaulas orgánicas porosas sintetizadas experimentalmente, cada una de las cuales fue escaneada computacionalmente. resultando en una imagen de "porosidad" 3-D de cada uno similar a una imagen generada por una tomografía computarizada.

"Sobre la base de estas imágenes tridimensionales, nos inspiramos en un algoritmo de reconocimiento facial, caras propias, para agrupar jaulas con cavidades de forma similar, ", dijo." Usando la descomposición de valores singulares, codificamos las imágenes tridimensionales de las jaulas en vectores de menor dimensión ".

Simon explica el proceso utilizando la analogía de los rostros de las personas.

"Imagine que se ve obligado a mapear la cara de todos en un punto en un diagrama de dispersión bidimensional mientras conserva la mayor cantidad de información posible sobre las caras, ", dijo." Así que cada cara se describe con solo dos números, y las caras de aspecto similar se agrupan cerca en el diagrama de dispersión. Esencialmente, la descomposición de valor singular realizó esta codificación, pero para las moléculas de jaula porosas ".

La investigación demostró que la codificación aprendida captura las características sobresalientes de las cavidades de las jaulas porosas y puede predecir las propiedades de las jaulas que se relacionan con la forma de la cavidad.

"Nuestros métodos podrían aplicarse para aprender representaciones latentes de cavidades dentro de otras clases de materiales porosos y de formas de moléculas en general, " Simon dijo.