Maskininlärning kan användas för att förutsäga egenskaperna hos en grupp material som, enligt vissa, kan vara lika viktigt för 2000-talet som plast var för 20-talet.

Forskare har använt maskininlärningstekniker för att exakt förutsäga de mekaniska egenskaperna hos metallorganiska ramverk (MOF), som skulle kunna användas för att utvinna vatten ur luften i öknen, lagra farliga gaser eller driva vätgasbaserade bilar.

Forskarna, ledd av University of Cambridge, använde sin maskininlärningsalgoritm för att förutsäga egenskaperna hos mer än 3000 befintliga MOF:er, samt MOF som ännu inte har syntetiserats i laboratoriet.

Resultaten, publicerad i den första upplagan av tidskriften Cell Press Materia , skulle kunna användas för att avsevärt påskynda hur material karaktäriseras och utformas i molekylär skala.

MOFs är självmonterande 3D-föreningar gjorda av metalliska och organiska atomer kopplade samman. Som plast, de är mycket mångsidiga, och kan anpassas till miljontals olika kombinationer. Till skillnad från plast, som är baserade på långa kedjor av polymerer som växer i bara en riktning, MOF har ordnade kristallina strukturer som växer i alla riktningar.

Denna kristallina struktur innebär att MOF kan göras som byggstenar:individuella atomer eller molekyler kan kopplas in eller ut ur strukturen, en precisionsnivå som är omöjlig att uppnå med plast.

Strukturerna är mycket porösa med en massiv yta:en MOF storleken på en sockerbit som är planlagd skulle täcka en yta lika stor som sex fotbollsplaner. Men kanske något kontraintuitivt, MOFs gör mycket effektiva lagringsenheter. Porerna i en given MOF kan anpassas för att bilda en perfekt formad förvaringsficka för olika molekyler, bara genom att byta byggstenar.

"Att MOF:er är så porösa gör dem mycket anpassningsbara för alla typer av olika applikationer, men samtidigt gör deras porösa natur dem mycket ömtåliga, " sa Dr. David Fairen-Jimenez från Cambridges avdelning för kemiteknik och bioteknik, som ledde forskningen.

MOF syntetiseras i pulverform, men för att vara till någon praktisk nytta, pulvret sätts under tryck och formas till större, formade pellets. På grund av deras porositet, många MOF:er krossas i denna process, slösar både tid och pengar.

För att lösa detta problem, Fairen-Jimenez och hans medarbetare från Belgien och USA utvecklade en maskininlärningsalgoritm för att förutsäga de mekaniska egenskaperna hos tusentals MOF, så att endast de med nödvändig mekanisk stabilitet tillverkas.

Forskarna använde en beräkningsmetod på flera nivåer för att bygga en interaktiv karta över MOF:s strukturella och mekaniska landskap. Först, de använde molekylära simuleringar med hög genomströmning för 3, 385 MOF. För det andra, de utvecklade en fritt tillgänglig maskininlärningsalgoritm för att automatiskt förutsäga de mekaniska egenskaperna hos befintliga och ännu inte syntetiserade MOF:er.

"Vi kan nu förklara landskapet för alla material samtidigt, sade Fairen-Jimenez. vi kan förutsäga vad det bästa materialet skulle vara för en given uppgift."

Forskarna har lanserat en interaktiv webbplats där forskare kan designa och förutsäga prestandan för sina egna MOF. Fairen-Jimenez säger att verktyget kommer att bidra till att minska klyftan mellan experimentalister och datoranvändare som arbetar inom detta område. "Det ger forskare tillgång till de verktyg de behöver för att arbeta med dessa material:det förenklar de frågor de behöver ställa, " han sa.