Pembelajaran mesin membantu mencari polimer yang lebih kuat
Bagaimana jika plastik dapat sembuh, tekanan rasa, atau bertahan lebih lama?Kaedah pembelajaran mesin mendapati molekul tersembunyi yang boleh mengubah cara kami merancang bahan.
Strategi yang dibangunkan oleh penyelidik di MIT dan Duke University menggunakan pembelajaran mesin untuk mengenal pasti molekul silang yang menjadikan polimer lebih tahan untuk merobek.Ini boleh membantu mengurangkan sisa plastik.Kaedah ini memberi tumpuan kepada mekanophores, yang merupakan molekul yang mengubah struktur atau tingkah laku apabila terdedah untuk memaksa, dan menggunakan rangkaian saraf untuk menyaring calon.
Para penyelidik menggunakan kaedah ini untuk ferrocenes, sebatian yang mengandungi besi yang tidak dikaji secara meluas sebagai mekanophores.Ujian menunjukkan bahawa bahan itu kira-kira empat kali lebih sukar daripada yang dibuat dengan silang silang berasaskan Ferrocene standard.
Langkah pertama melibatkan simulasi kira -kira 400 ferrocenes untuk mengira daya yang diperlukan untuk memecahkan bon.Data ini melatih model pembelajaran mesin untuk meramalkan rintangan air mata dalam sebatian lain.Model ini mendapati dua ciri yang meningkatkan prestasi - interaksi antara kumpulan kimia pada cincin dan kehadiran kumpulan besar di kedua -dua belah Ferrocene.Walaupun ciri pertama dijangka, yang kedua adalah hasil yang dijumpai oleh AI dan tidak diramalkan oleh ahli kimia manusia.
Mencari dan menguji mekanophores biasanya merupakan proses perlahan.Mechanophores yang paling terkenal adalah organik, seperti siklobutane, yang telah digunakan sebagai silang silang.Menguji satu mekanophore di makmal boleh mengambil minggu.Malah simulasi mengambil masa beberapa hari.Ini menjadikan pemeriksaan tradisional keras apabila terdapat beribu -ribu pilihan.
Ferrocenes adalah perkara biasa dalam pemangkinan dan penyelidikan dadah tetapi belum diuji sebagai mekanophores.Sebatian organometal ini mempunyai atom besi antara dua cincin berasaskan karbon.Cincin membawa kumpulan kimia yang mempengaruhi bagaimana molekul bertindak balas untuk memaksa.
Dengan bekerja dengan ferrocenes dan menggunakan pembelajaran mesin, pasukan menunjukkan cara yang lebih berskala untuk mencari mekanofor yang berguna.Pendekatan ini juga dapat membantu mencari sebatian yang bertindak balas dengan kekuatan dengan mengubah warna, mencetuskan reaksi, atau tingkah laku lain.Ini berguna dalam mengesan tekanan, menukar pemangkin, atau menyampaikan ubat.
Kerja masa depan mungkin akan melihat ferrocenes dan sebatian berasaskan logam lain untuk mencari lebih banyak mekanophores dan membangunkan bahan-bahan baru.
