Nanostora burar kan spela en stor roll för att minska energiförbrukningen inom vetenskap och industri, och maskininlärningsforskning vid Oregon State University syftar till att påskynda utbyggnaden av dessa anmärkningsvärda molekyler.

De porösa organiska burmolekylerna som studeras vid OSU kan selektivt fånga gasmolekyler, potentiellt möjliggöra enorma energibesparingar i de otaliga gasseparationer som genomförs inom den kemiska sektorn.

"Dessa porösa molekylära fasta ämnen är som svampar som suger upp gaser på ett diskriminerande sätt, sa Cory Simon, biträdande professor i kemiteknik och motsvarande författare till en studie publicerad i ACS Central Science .

Tillsammans, separering och rening av kemiska blandningar står för mer än 10 procent av världens energiförbrukning.

Porösa burmolekyler har nanostora håligheter som är inneboende i deras struktur, och gasmolekyler attraheras till och fångas i dessa håligheter via adsorption.

"Men varje bur adsorberar vissa gaser lättare än andra, och denna egenskap gör potentiellt burarna användbara för att separera gasblandningar mer energieffektivt, sa Simon.

Dock, det finns tusentals av dessa burmolekyler som skulle kunna syntetiseras – att göra en av dem och testa dess egenskaper tar månader i labbet – och hundratals olika kemiska separationer krävs inom industrin; därav behovet av en beräkningsmetod för att sortera igenom möjligheterna och hitta den bästa molekylen för jobbet.

Simon utnyttjade idén att formen på en given kavitet är ansvarig för vilka gasmolekyler den lättast attraherar.

Simon och eleverna Arni Sturluson, Melanie Huynh och Arthur York använde en "oövervakad" maskininlärningsmetod för att kategorisera och gruppera burmolekyler baserat på deras kavitetsformer och, Således, adsorptionsegenskaper.

Oövervakad betyder att datorn lärde sig om form/egenskapsrelationer på egen hand; den fick inga etiketter för att instruera den.

"Visa bara data för algoritmen, och den hittar automatiskt mönster – struktur – i data, sa Simon.

Forskarna använde en träningsdatauppsättning av 74 experimentellt syntetiserade porösa organiska burmolekyler som var och en skannades beräkningsmässigt, vilket resulterar i en 3-D "porositetsbild" av var och en som liknar en bild som genereras av en CT-skanning.

"På grundval av dessa 3D-bilder, vi hämtade inspiration från en ansiktsigenkänningsalgoritm, egenansikten, att gruppera burar med liknande formade håligheter, " sa han. "Med hjälp av singulära värdenedbrytning, vi kodade 3D-bilderna av burarna till lägre dimensionella vektorer."

Simon förklarar processen med analogin av människors ansikten.

"Föreställ dig att du var tvungen att kartlägga allas ansikten på en punkt i en tvådimensionell spridningsplot samtidigt som du bevarar så mycket information som möjligt om ansiktena, " sa han. "Så varje ansikte beskrivs med bara två siffror, och ansikten som ser liknande ut är grupperade i närheten i spridningsdiagrammet. Väsentligen, singularvärdesuppdelningen utförde denna kodning, men för porösa burmolekyler."

Forskningen visade att den inlärda kodningen fångar de framträdande egenskaperna hos hålrummen i porösa burar och kan förutsäga burarnas egenskaper som relaterar till hålrumsformen.

"Våra metoder skulle kunna tillämpas för att lära sig latenta representationer av håligheter inom andra klasser av porösa material och av former av molekyler i allmänhet, sa Simon.