هوش مصنوعی به شیمیدانان کمک می کند تا پلاستیک های ساختاری بیشتری را توسعه دهند | اخبار MIT


به گفته محققان MIT و دانشگاه دوک ، یک استراتژی جدید برای تقویت مواد پلیمری می تواند منجر به پلاستیک با دوام تر و کاهش زباله های پلاستیکی شود.
با استفاده از یادگیری ماشین ، محققان مولکول های متقاطع را که می توانند به مواد پلیمری اضافه شوند ، شناسایی کردند و به آنها اجازه می دهند قبل از پاره شدن از قدرت بیشتری مقاومت کنند. این اتصالات متقاطع متعلق به یک کلاس از مولکول های معروف به مکانیکول ها هستند که در پاسخ به نیروی مکانیکی شکل یا سایر خصوصیات خود را تغییر می دهند.
هدر کولیک ، استاد Lammot du Pont مهندسی شیمی می گوید: “این مولکول ها می توانند برای ایجاد پلیمرهایی که در پاسخ به زور قوی تر باشند ، مفید باشند. شما مقداری استرس را برای آنها اعمال می کنید و به جای ترک خوردگی یا تصادف ، در عوض چیزی را می بینید که مقاومت بیشتری دارد.”
صلیبی که محققان در این مطالعه شناسایی کرده اند ، ترکیبات حاوی آهن معروف به فروسن هستند که هنوز به دلیل پتانسیل آنها به عنوان مکانیکوفور مورد مطالعه قرار نگرفته اند. ارزیابی تجربی یک مکانیکی ممکن است هفته ها طول بکشد ، اما محققان نشان داده اند که می توانند از یک مدل یادگیری ماشین برای تسریع شدید این فرآیند استفاده کنند.
MIT Postdoc ilia kevlyishvili نویسنده پیشرو در زمینه دسترسی به کاغذ است که روز جمعه در آن ظاهر شد علوم مرکزی ACSنویسندگان دیگر شامل Jafer Vakil ، دانشجوی فارغ التحصیل دوک هستند. دیوید کاستنر و شیائو هوانگ ، هر دو فارغ التحصیل. و استفان کریگ ، استاد شیمی در دوک.
محبت ترین رابطه
مکانیکول ها مولکول هایی هستند که به روش های منحصر به فرد ، معمولاً با تغییر رنگ ، ساختار یا سایر خصوصیات خود به قدرت پاسخ می دهند. در مطالعه جدید ، تیم MIT و دوک می خواستند بررسی کنند که آیا می توان از آنها برای مقاومت بیشتر پلیمرها در برابر آسیب استفاده کرد.
کار جدید بر اساس یک مطالعه 2023 توسط کریگ و ارمیا جانسون ، استاد شیمی A. توماس گرتین در MIT و همکاران آنها انجام شده است. در این کار ، محققان دریافتند که با کمال تعجب درگیر شدن اتصالات ضعیف به یک شبکه پلیمری می تواند مواد مشترک را قدرتمندتر کند. هنگامی که مواد با این اتصالات متقاطع ضعیف تا نقطه شکستن کشیده می شوند ، تمام ترک ها از طریق مواد سعی می کنند از اتصالات قوی تر جلوگیری کنند و در عوض اتصالات با شکوه تری را طی کنند. این بدان معناست که اگر همه اوراق قرضه همان نیرو بودند ، شکاف باید بیشتر از آنچه که وجود داشته باشد ، شکسته شود.
برای یافتن راههای جدید برای بهره برداری از این که پدیده ، کریگ و کولیک به تلاش خود برای تلاش برای شناسایی مکانیکوفورهایی که می توانند به عنوان گذرگاه های ضعیف استفاده شوند ، پیوستند.
“ما این بینش و فرصت جدید مکانیکی را داشتیم ، اما با یک چالش بزرگ همراه بود: از بین همه ترکیبات احتمالی ماده ، چگونه می توان کسانی را که بیشترین پتانسیل را دارند ، پیگیری کنیم؟” می گوید کریگ. “اعتبار کاملی از هدر و الیاس برای شناسایی این چالش و ایجاد رویکردی برای استقبال از آن.”
کشف و توصیف مکانیکوفور ها یک کار دشوار است که نیاز به آزمایش زمان یا شبیه سازی فشرده محاسباتی از تعامل مولکولی دارد. بیشتر مکانیکوفور های شناخته شده ترکیبات آلی مانند سیکلوبوتان هستند که به عنوان یک متقاطع مطالعه 2023 مورد استفاده قرار می گرفت.
در یک مطالعه جدید ، محققان می خواستند روی مولکولهای معروف به فروسن تمرکز کنند ، که تصور می شود به عنوان مکانیکوفور از پتانسیل برخوردار هستند. فروسن ترکیبات ارگانومتری هستند که دارای اتم آهنی بین دو حلقه کربن است. این حلقه ها ممکن است گروه های شیمیایی مختلفی به آنها اضافه کنند که خصوصیات شیمیایی و مکانیکی آنها را تغییر می دهد.
بسیاری از فروس ها به عنوان دارویی یا کاتالیزور مورد استفاده قرار می گیرند و شناخته شده است که مکانیکورهای خوبی هستند ، اما بیشتر آنها از این استفاده قدردانی نمی شوند. آزمایش های آزمایشی یک مکانیکی بالقوه می تواند چند هفته طول بکشد ، و شبیه سازی های محاسباتی ، هرچند سریعتر ، هنوز چند روز طول می کشد. ارزیابی هزاران نامزد با استفاده از این استراتژی ها یک کار ترسناک است.
تیم MIT و دوک تصمیم گرفتند که از یک شبکه عصبی استفاده کنند تا بتوانند از یک شبکه عصبی استفاده کنند که می تواند مکانیکی نوید بخش باشد ، با درک اینکه رویکرد یادگیری ماشین می تواند به طور چشمگیری ویژگی این مولکول ها را تسریع کند ، تصمیم گرفتند از یک شبکه عصبی استفاده کنند.
آنها با اطلاعاتی از یک پایگاه داده شناخته شده به عنوان یک پایگاه داده ساختاری کمبریج شروع کردند ، که شامل ساختارهای 5000 فروس مختلف است که قبلاً سنتز شده اند.
Kevlishvili می گوید: “ما می دانستیم که حداقل نباید نگران سنتز باشیم ، حداقل از منظر خود MacForor. این به ما این امکان را می داد تا با تنوع شیمیایی زیادی ، فضای بسیار بزرگی را انتخاب کنیم ، که این نیز از نظر مصنوعی تحقق می یابد.”
اول ، محققان شبیه سازی محاسباتی را برای حدود 400 از این ترکیبات انجام دادند و به آنها امکان می دهد تا چه میزان قدرت لازم برای غارت اتمها در هر مولکول را محاسبه کنند. برای این برنامه ، آنها به دنبال مولکول هایی بودند که به سرعت تجزیه می شوند ، زیرا این اتصالات ضعیف می توانند مواد پلیمری را در برابر پارگی مقاوم تر کنند.
آنها سپس از این داده ها به همراه اطلاعات مربوط به ساختار هر ترکیب برای آموزش یک مدل یادگیری ماشین استفاده کردند. این مدل قادر به پیش بینی نیروی مورد نیاز برای فعال سازی مکانیکوفور بود ، که به نوبه خود بر مقاومت پارگی برای ترکیبات 4500 باقیمانده در بانک اطلاعاتی تأثیر می گذارد ، به علاوه 7000 ترکیب اضافی که مشابه آن در پایگاه داده است اما برخی از اتمها را دوباره تنظیم کرده اند.
محققان دو ویژگی اصلی را کشف کرده اند که به نظر می رسد مقاومت اشک را افزایش می دهد. یکی تعامل بین گروههای شیمیایی که به حلقه های فروسن وصل شده بودند. علاوه بر این ، وجود مولکولهای بزرگ و حجیم ، متصل به هر دو حلقه فروسن ، باعث شده این مولکول در پاسخ به نیروهای کاربردی شکسته شود.
محققان می گویند ، اگرچه اولین مورد از این خصوصیات تعجب آور نبود ، اما ویژگی دوم چیزی نبود که شیمیدان از قبل پیش بینی کند و بدون هوش مصنوعی پیدا نشد. کولیک می گوید: “این چیزی واقعاً شگفت آور بود.”
پلاستیک های سخت تر
پس از آنكه محققان حدود 100 كاندیدای امیدوار را شناسایی كردند ، آزمایشگاه دوك كریگ كریگ مواد پلیمری را از جمله یكی از آنها با نام M-TMS-FC سنتز می كند. در داخل ماده m-tms-fc ، به عنوان یک سنجش عمل می کند ، و نخ های پلیمری را که پلی آکرلات را تشکیل می دهند ، نوعی پلاستیک را به هم وصل می کند.
محققان با استفاده از قدرت برای هر پلیمر تا زمانی که پاره نشود ، دریافتند که اتصال دهنده ضعیف M-TMS-FC یک پلیمر قوی و مقاوم در برابر اشک تولید می کند. این پلیمر معلوم شد که تقریباً چهار برابر دشوارتر از پلیمرهای ساخته شده با یک فروسن استاندارد به عنوان صلیب است.
کاولیش می گوید: “این واقعاً عواقب بسیار خوبی دارد ، زیرا اگر در مورد تمام پلاستیک ها فکر کنیم ، از تمام انباشت زباله های پلاستیکی استفاده می کنیم ، اگر مواد را دشوارتر کنید ، به این معنی است که عمر آنها طولانی تر خواهد بود. آنها برای مدت طولانی تر استفاده می شوند که می تواند در طولانی مدت تولید پلاستیک را کاهش دهد.”
محققان اکنون امیدوارند که از رویکرد یادگیری ماشین خود برای شناسایی مکانیکوفورها با سایر خصوصیات مورد نظر ، مانند توانایی تغییر رنگ خود یا تبدیل شدن به کاتالیزور در پاسخ به نیرو استفاده کنند. از چنین موادی می توان به عنوان سنسورهای استرس یا کاتالیزور سوئیچینگ استفاده کرد و همچنین می تواند برای کاربردهای زیست پزشکی مانند تحویل دارو مفید باشد.
در این مطالعات ، محققان قصد دارند روی فروسن و سایر مکانیکورهای حاوی فلز که قبلاً سنتز شده اند ، تمرکز کنند ، اما خواص آنها کاملاً درک نشده است.
کولیک می گوید: “فلزات انتقالی نسبتاً غیرقابل استفاده هستند و احتمالاً کمی چالش برانگیز هستند.” “این گردش کار محاسباتی را می توان به طور گسترده ای برای گسترش فضای مکانیکی که مردم در آن مطالعه کرده اند ، استفاده کرد.”
این مطالعه توسط مرکز ملی بنیاد علمی شیمی شبکه های بهینه سازی شده مولکولی (MONET) تأمین شد.



