Investigadores de Columbia Engineering, dirigido por los profesores de ingeniería química Venkat Venkatasubramanian y Sanat Kumar, han desarrollado un nuevo enfoque para diseñar materiales nanoestructurados novedosos a través de un marco de diseño inverso utilizando algoritmos genéticos. El estudio, publicado en la edición Early Online del 28 de octubre de procedimientos de la Academia Nacional de Ciencias ( PNAS ), es el primero en demostrar la aplicación de esta metodología al diseño de nanoestructuras autoensambladas, y muestra el potencial del aprendizaje automático y los enfoques de "macrodatos" incorporados en el nuevo Instituto de Ciencias e Ingeniería de Datos en Columbia.

"Nuestro marco puede ayudar a acelerar el proceso de descubrimiento de materiales, "dice Venkatasubramanian, Samuel Ruben-Peter G. Viele Catedrático de Ingeniería, y coautor del artículo. "En un sentido, estamos aprovechando la forma en que la naturaleza descubre nuevos materiales —el modelo darwiniano de evolución— combinándolo adecuadamente con métodos computacionales. ¡Es Darwin con esteroides! "

Usando un algoritmo genético que desarrollaron, los investigadores diseñaron partículas injertadas de ADN que se autoensamblaron en las estructuras cristalinas que querían. La suya era una forma "inversa" de hacer investigación. En la investigación convencional, Las partículas coloidales injertadas con ADN monocatenario pueden autoensamblarse, y luego se examinan las estructuras cristalinas resultantes. "Aunque este enfoque edisoniano es útil para comprender a posteriori los factores que gobiernan el montaje, "observa Kumar, Presidente del Departamento de Ingeniería Química y coautor del estudio, "no nos permite diseñar a priori estos materiales en las estructuras deseadas. Nuestro estudio aborda este problema de diseño y presenta un enfoque de optimización evolutiva que no solo fue capaz de reproducir el diagrama de fase original que detalla regiones de cristales conocidos, sino también para dilucidar estructuras previamente no observadas ".

Los investigadores están utilizando conceptos y técnicas de "macrodatos" para descubrir y diseñar nuevos nanomateriales, un área prioritaria de la Iniciativa del Genoma de Materiales de la Casa Blanca, utilizando una metodología que revolucionará el diseño de materiales. impactando una amplia gama de productos que afectan nuestra vida diaria, desde medicamentos y productos químicos agrícolas como pesticidas o herbicidas hasta aditivos para combustibles, pinturas y barnices, e incluso productos de cuidado personal como champú.

"Este enfoque de diseño inverso demuestra el potencial del aprendizaje automático y los enfoques de ingeniería de algoritmos para resolver problemas desafiantes en la ciencia de los materiales, "dice Kathleen McKeown, director del Instituto de Ciencias e Ingeniería de Datos y Profesor de Ciencias de la Computación Henry y Gertrude Rothschild. "En el Instituto, estamos enfocados en ser pioneros en tales avances en una serie de problemas de gran importancia práctica en ingeniería ".

Venkatasubramanian agrega, "Descubrir y diseñar nuevos materiales y formulaciones avanzadas con las propiedades deseadas es un problema importante y desafiante, que abarca una amplia variedad de productos en industrias que abordan la energía limpia, seguridad nacional, y el bienestar humano ". Señala que el enfoque tradicional de descubrimiento de prueba y error de Edison consume mucho tiempo y es costoso; puede causar retrasos importantes en el tiempo de comercialización, así como perder soluciones potenciales. Y la cantidad cada vez mayor de datos de experimentación de alto rendimiento, mientras que un gran desafío de modelado e informática, también ha creado oportunidades para el diseño y el descubrimiento de materiales.

Los investigadores se basaron en su trabajo anterior para desarrollar lo que llaman un marco evolutivo para el descubrimiento automatizado de nuevos materiales. Venkatasubramanian propuso el marco de diseño y analizó los resultados, y Kumar desarrolló el marco en el contexto de nanomateriales autoensamblados. Babji Srinivasan, un postdoctorado con Venkatasubramanian y Kumar y ahora profesor asistente en IIT Gandhinagar, y Thi Vo, un candidato a doctorado en Columbia Engineering, llevó a cabo la investigación computacional. El equipo colaboró ​​con Oleg Gang y Yugang Zhang del Laboratorio Nacional Brookhaven, que llevó a cabo los experimentos de apoyo.

El equipo planea continuar explorando el espacio de diseño de posibles nanoestructuras coloidales injertadas con ADNss, mejorando sus modelos avanzados, e incorporar técnicas de aprendizaje automático más avanzadas. "Necesitamos un nuevo paradigma que aumente el flujo de ideas, amplía el horizonte de búsqueda, y archiva el conocimiento de los éxitos de hoy para acelerar los del mañana, "dice Venkatasubramanian.