Enzymet lackas kan förändra träets kemiska struktur på dess yta och på så sätt underlätta biokemiska modifieringar utan att ändra materialets struktur. Genom att fästa funktionella molekyler, Empa-forskare utvecklar vattentäta eller antimikrobiella träytor, till exempel. Det är också möjligt att göra självhäftande träfibrer, som kan pressas till fiberskivor utan några kemiska bindemedel. Dessa lösningsmedelsfria fiberskivor används för isolering av ekohus.

Problemet:Det finns många varianter av laccase, som skiljer sig i arkitekturen för det kemiskt aktiva centret, och inte alla reagerar med det önskade substratet. Eftersom det är extremt svårt att förutsäga om ett visst laccas kommer att reagera med ett specifikt substrat eller inte, kostsamma och tidskrävande serier av experiment krävs för att identifiera lämpliga laccas-substratpar. Molekylära simuleringar skulle kunna lösa problemet:Du behöver helt enkelt en exakt strukturell analys av laccaset för att simulera den kemiska reaktionsmekanismen för varje önskvärd kombination på datorn. Dock, detta kräver en hög datorberäkning—kapacitet och, även då, skulle vara extremt tidskrävande och dyrt.

Men det finns en genväg:"djup inlärning". Ett datorprogram är tränat att känna igen mönster med data från litteraturen och egna experiment:Vilket laccas oxiderar vilket substrat? Vilka kan vara de bästa förutsättningarna för att den önskade kemiska processen ska kunna ske? Det bästa med det:Sökningen fungerar även om inte alla detaljer om den kemiska mekanismen är kända.

Stora framsteg under de senaste sju åren

Tillgängligheten av datan i lämplig form och djupinlärningsnätverkets arkitektur är avgörande för att detta ska lyckas. Schubert har redan arbetat med neuronala nätverk i över sju år. Hans första projekt i ämnet kommer från 2012, den senaste från 2018. "Tidigare, vi arbetade med grunda neuronala nätverk:ett indatalager, ett dolt lager och ett utdatalager. I dag, vi arbetar med betydligt mer komplexa nätverk. De innehåller flera dolda lager och är så mycket kraftfullare."

Schubert tränar sina algoritmer med kända datauppsättningar och testar dem med datauppsättningar som systemet aldrig har sett förut. Och hans rapporter om robustheten hos hans "smarta trä sökmotor" är häpnadsväckande:Förr i tiden, han kunde bara använda noggrant utvalda, meningsfulla data för att uppnå anständiga resultat. Under tiden, han testar också sina system med delvis oanvändbara datahögar. Maskinen känner igen vad den kan använda och inte.

Industriell tillämpning av KI

Systemets robusthet gör att djupinlärningsmaskinen redan kan användas av industrin. Självhäftande isoleringsskivor tillverkas hos partnerföretaget Pavatex, som Schubert har arbetat med en tid. Produktionsprocessen är full av sensorer; enorma mängder data samlas som säger oss "något" om kvaliteten på de tillverkade skivorna. Bara vad? Schuberts smarta träsökmotor hittar kopplingen.

Forskaren arbetar just nu med att optimera produktionen på detta sätt. Om något går fel vid ett tillfälle i fiberbearbetningen, produktionen bör anpassas innan kvaliteten på slutprodukten påverkas. Detta sparar kostsamma kontroller av slutprodukten och kan minska felfrekvensen i produktionsprocessen.