Imagina una bolsa de plástico que pueda llevar a casa tus compras, luego degradar rápidamente, sin dañar el medio ambiente. O un superfuerte plástico ligero para aviones, cohetes y satélites que pueden reemplazar los metales estructurales tradicionales en las tecnologías aeroespaciales.

El aprendizaje automático y la inteligencia artificial han acelerado la capacidad de diseñar materiales con propiedades específicas como estas. Pero aunque los científicos han tenido éxito en el diseño de nuevas aleaciones metálicas, los polímeros, como el plástico que se usa para las bolsas, han sido mucho más difíciles de diseñar.

Investigadores de la Escuela de Ingeniería Molecular Pritzker (PME) de la Universidad de Chicago han encontrado un camino a seguir en el diseño de polímeros combinando el modelado y el aprendizaje automático.

Al construir computacionalmente casi 2, 000 polímeros hipotéticos, pudieron crear una base de datos lo suficientemente grande para entrenar una red neuronal, un tipo de aprendizaje automático, para comprender qué propiedades de los polímeros surgen de diferentes secuencias moleculares.

"Demostramos que el problema es manejable, "dijo Juan de Pablo, Profesor de Ingeniería Molecular de la Familia Liew que dirigió la investigación. "Ahora que hemos establecido esta base y hemos demostrado que se puede hacer, realmente podemos avanzar en el uso de este marco para diseñar polímeros con propiedades específicas ".

Los resultados se publicaron el 21 de octubre en Avances de la ciencia .

El diseño de polímeros es difícil debido a las largas cadenas de átomos.

Los polímeros exhiben amorfo, estructuras desordenadas que no se pueden definir fácilmente utilizando las técnicas que los científicos han desarrollado para estudiar metales u otros materiales cristalinos.

Las moléculas de polímero consisten en grandes conjuntos de átomos dispuestos en una cadena muy larga, a veces comprende millones de "monómeros". Cada molécula de polímero es diferente. No solo es diferente la longitud, pero la secuencia en la que están dispuestos los átomos puede variar considerablemente.

La longitud y la secuencia tienen una gran influencia en las propiedades de una molécula polimérica. y el número extraordinariamente grande de combinaciones posibles de longitud y secuencia es un desafío central en el diseño de moléculas con propiedades específicas. Los enfoques de prueba y error son de uso limitado y generar los datos experimentales necesarios para informar una estrategia de diseño racional sería muy exigente.

Ahí es donde entra en juego el aprendizaje automático. Los investigadores se propusieron responder a la pregunta:"¿Pueden los algoritmos de aprendizaje automático 'aprender' cómo predecir las propiedades de los polímeros de acuerdo con su secuencia? y, si es así, ¿Qué tamaño de conjunto de datos se necesitaría para entrenar los algoritmos subyacentes? "

Crear una base de datos para aprender secuencias de polímeros

Para crear la base de datos, los investigadores utilizaron casi 2, 000 polímeros construidos computacionalmente, todos tienen diferentes secuencias, y realizó simulaciones moleculares para predecir sus propiedades y comportamiento. Cuando utilizaron por primera vez una red neuronal para averiguar qué propiedades se basaban en qué secuencias moleculares, no estaban seguros de encontrar una respuesta razonable.

"No sabíamos cuántas secuencias de polímeros diferentes eran necesarias para aprender el comportamiento de los materiales, "dijo de Pablo." La respuesta podría haber sido millones ".

Afortunadamente, la red solo necesitaba menos de unos pocos cientos de secuencias diferentes para aprender las propiedades y predecir el comportamiento de secuencias moleculares completamente nuevas. Eso significaba que los experimentadores ahora podrían seguir una estrategia similar y crear una base de datos para entrenar una red de aprendizaje automático para predecir las propiedades de los polímeros sobre la base de datos experimentales.

Ese, sin embargo, era solo la mitad del problema. Próximo, los investigadores necesitaban utilizar la información que aprendió la red neuronal para diseñar realmente nuevas moléculas. Procedieron a hacer eso y, por primera vez, pudieron demostrar la capacidad de especificar una propiedad deseada de una molécula de polímero y utilizar el aprendizaje automático para generar un conjunto de secuencias que conducirían a esas propiedades.

Diseño de polímeros específicos

Aunque el sistema fue entrenado para comprender solo un cierto tipo de polímero, las posibles implicaciones podrían extenderse a muchos tipos. Las empresas no solo pueden diseñar productos que sean más respetuosos con el medio ambiente, también podrían diseñar polímeros que hagan exactamente lo que ellos quieren que hagan.

Los polímeros se disuelven habitualmente en disolventes para pinturas, productos cosméticos, drogas soluciones médicas, y alimentos para controlar el flujo de líquidos, por ejemplo. Los polímeros también se utilizan en una amplia gama de tecnologías avanzadas, desde aplicaciones aeroespaciales hasta almacenamiento de energía y dispositivos electrónicos y biomédicos. El diseño de polímeros con alta precisión para aplicaciones específicas podría permitir a las empresas diseñar materiales de una manera más asequible. más fácil, y de manera más sostenible.

Próximo, el grupo de investigación espera involucrar a los experimentadores en el desarrollo de algunos de los polímeros que diseñaron y continuar refinando su sistema para crear polímeros aún más complejos. Al confiar en sistemas robóticos para la síntesis de alto rendimiento y la caracterización de nuevas moléculas, esperan ampliar su base de datos para incluir datos experimentales.

"Creemos que estamos a la vanguardia de esta área, ", dijo de Pablo." Durante los próximos dos a cinco años, Verá un trabajo muy impactante que surge de estos esfuerzos y los de otros grupos de investigación en la Universidad de Chicago, en el Laboratorio Nacional Argonne, y alrededor del mundo. También hemos construido sólidas alianzas con colaboradores industriales que nos permitirán acelerar la transferencia de conocimiento de la academia al sector comercial ".