Laura Murdock, un candidato a doctorado en la Universidad de Carolina del Sur, muestra una película de polímero que hizo de acuerdo con un diseño químico prescrito por el aprendizaje automático. La película superó a todas las membranas conocidas utilizadas para separar dióxido de carbono y metano, demostrando que el aprendizaje automático puede ayudar a los químicos a desarrollar nuevos materiales más rápidamente. Crédito:Laura Murdock / Universidad de Carolina del Sur
Los científicos de la Universidad de Carolina del Sur y la Universidad de Columbia han desarrollado una forma más rápida de diseñar y fabricar membranas de filtrado de gases que podrían reducir las emisiones de gases de efecto invernadero y reducir la contaminación.
Su nuevo método, publicado hoy en Avances de la ciencia , combina el aprendizaje automático con la química sintética para diseñar y desarrollar nuevas membranas de separación de gases con mayor rapidez. Los experimentos recientes que aplicaron este enfoque dieron como resultado nuevos materiales que separan los gases mejor que cualquier otra membrana filtrante conocida.
El descubrimiento podría revolucionar la forma en que se diseñan y crean nuevos materiales, Brian Benicewicz, el profesor de química SmartState de la Universidad de Carolina del Sur, dijo.
"Elimina las conjeturas y el antiguo trabajo de prueba y error, que es muy ineficaz, ", Dijo Benicewicz." No es necesario hacer cientos de materiales diferentes y probarlos. Ahora está dejando que la máquina aprenda. Puede limitar su búsqueda ".
Las películas o membranas de plástico se utilizan a menudo para filtrar gases. Benicewicz explicó que estas membranas sufren una compensación entre selectividad y permeabilidad:es poco probable que un material que deja pasar un gas detenga una molécula de otro gas. "Estamos hablando de algunas moléculas realmente pequeñas, "Benicewicz dijo." La diferencia de tamaño es casi imperceptible. Si quieres mucha permeabilidad, no obtendrá mucha selectividad ".
Benicewicz y sus colaboradores de la Universidad de Columbia querían ver si los macrodatos podían diseñar una membrana más eficaz.
El equipo de la Universidad de Columbia creó un algoritmo de aprendizaje automático que analizó la estructura química y la eficacia de las membranas existentes que se utilizan para separar el dióxido de carbono del metano. Una vez que el algoritmo pudo predecir con precisión la efectividad de una membrana dada, dieron la vuelta a la pregunta:¿Qué estructura química formaría la membrana de separación de gas ideal?
Sanat K. Kumar, el profesor Bykhovsky de ingeniería química en Columbia, lo comparó con el método de Netflix para recomendar películas. Al examinar lo que un espectador ha visto y le gustó antes, Netflix determina las funciones que el espectador disfruta y luego busca videos para recomendar. Su algoritmo analizó las estructuras químicas de las membranas existentes y determinó qué estructuras serían más efectivas.
La computadora produjo una lista de 100 materiales hipotéticos que podrían superar los límites actuales. Benicewicz, que dirige un grupo de investigación de química sintética, identificó dos de las estructuras propuestas que podrían hacerse de manera plausible. Laura Murdock, un doctorado en UofSC estudiante de química, hizo los polímeros prescritos y los fundió en películas delgadas.
Cuando se probaron las membranas, su efectividad estuvo cerca de la predicción de la computadora y muy por encima de los límites supuestos.
"Su desempeño fue muy bueno, mucho mejor que lo que se había hecho anteriormente, "Murdock dijo." Y fue bastante fácil. Tiene potencial para uso comercial ".
La separación de dióxido de carbono y metano tiene una aplicación inmediata en la industria del gas natural; CO 2 deben eliminarse del gas natural para evitar la corrosión en las tuberías. Pero Murdock dijo que el método de usar big data para eliminar las conjeturas del proceso lleva a otra pregunta:"¿A qué otros materiales poliméricos podemos aplicar el aprendizaje automático y crear mejores materiales para todo tipo de aplicaciones?"
Benicewicz dijo que el aprendizaje automático podría ayudar a los científicos a diseñar nuevas membranas para separar los gases de efecto invernadero del carbón. que puede ayudar a reducir el cambio climático.
"Este trabajo apunta así a una nueva forma de diseño de materiales, ", Dijo Kumar." En lugar de probar todos los materiales que existen para una aplicación en particular, buscas la parte de un material que mejor se adapte a la necesidad que tienes. Cuando combinas los mejores materiales, tienes la oportunidad de diseñar un mejor material ".
