El algoritmo informático de química hace más con menos datos experimentales para revelar la forma óptima de fabricar materiales ecológicos.

El aprendizaje automático podría enseñarnos cómo hacer que la fabricación de materiales sea más limpia y sostenible al adoptar una visión holística para identificar el método de producción más ecológico. sugieren los investigadores de KAUST.

La búsqueda de la sostenibilidad significa que los científicos de todo el mundo están desarrollando materiales avanzados para ayudar a abordar los problemas, incluida la captura de carbono, desalación de agua y almacenamiento de energía, dice Rifan Hardian, un postdoctorado en el laboratorio de Gyorgy Szekely. "Aunque estos materiales muestran un rendimiento prometedor, los materiales en sí mismos a menudo se producen de manera insostenible, utilizando condiciones duras, solventes tóxicos y procesos que consumen mucha energía y que generan un exceso de desechos, lo que puede generar más problemas ambientales de los que resuelven, "Dice Hardian.

En colaboración con Xiangliang Zhang y su equipo, Szekely y Hardian han estado investigando un enfoque más sostenible para el desarrollo de materiales, llamado diseño de experimentos (DoE). "A diferencia de los enfoques convencionales para la optimización de materiales, que varían un factor a la vez, DoE es un enfoque sistemático que permite variar múltiples factores simultáneamente, "Dice Hardian.

DoE teóricamente permite variables, como la elección de reactivos y solventes, el tiempo de reacción y la temperatura de reacción, para optimizarlos todos a la vez. El procedimiento reduce el número de experimentos realizados y también identifica potencialmente la forma más ecológica posible de hacer un material. Sin embargo, Es un desafío optimizar cada variable para identificar el mejor protocolo de reacción a partir de datos experimentales tan escasos. "Aquí es donde entra el aprendizaje automático, "Dice Hardian.

El aprendizaje automático es una forma de inteligencia artificial que puede aprender patrones de un número limitado de puntos de datos para completar los espacios en blanco de los datos. "De esta manera, se puede ver todo el espacio experimental y elegir la condición de reacción que mejor se adapte a los resultados deseados, "Dice Hardian.

El equipo combinó el DoE y el aprendizaje automático para identificar un método sostenible para hacer un material de marco orgánico metálico (MOF) popular llamado ZIF-8. "ZIF-8 tiene un gran potencial en aplicaciones, como la separación de gases, catálisis, remoción de metales pesados ​​y remediación ambiental, ", Dice Hardian. El equipo optimizó 10 variables en la síntesis electroquímica de ZIF-8, identificar un proceso de alto rendimiento que utiliza agua como disolvente y genera un mínimo de residuos. "Gracias al aprendizaje automático, Desarrollamos una visión holística de las interacciones de las variables e identificamos muchas correlaciones inesperadas que podrían haberse pasado por alto si hubiéramos seguido un enfoque convencional. "Dice Hardian.

El próximo hito será aplicar DoE y el aprendizaje automático a la producción de materiales a gran escala, Dice Szekely. "Por último, Nuestro objetivo es convertir la visión futurista de un sistema de laboratorio autónomo, que puede funcionar continuamente y auto-optimizar las condiciones de reacción, en una realidad, " él dice.