Forskare vid University of South Carolina och Columbia University har utvecklat ett snabbare sätt att designa och göra gasfiltrerande membran som kan minska utsläppen av växthusgaser och minska föroreningar.

Deras nya metod, publicerad idag i Vetenskapliga framsteg , blandar maskininlärning med syntetisk kemi för att designa och utveckla nya gasavskiljande membran snabbare. Nyligen genomförda experiment med denna metod resulterade i nya material som separerar gaser bättre än något annat känt filtreringsmembran.

Upptäckten kan revolutionera hur nya material designas och skapas, Brian Benicewicz, University of South Carolina kemiprofessor i SmartState, sa.

"Det tar bort gissningar och det gamla test-och-fel-arbetet, vilket är väldigt ineffektivt, "Benicewicz sa." Du behöver inte göra hundratals olika material och testa dem. Nu låter du maskinen lära sig. Det kan begränsa din sökning. "

Plastfilmer eller membran används ofta för att filtrera gaser. Benicewicz förklarade att dessa membran lider av en avvägning mellan selektivitet och permeabilitet - ett material som släpper igenom en gas kommer sannolikt inte att stoppa en molekyl av en annan gas. "Vi pratar om några riktigt små molekyler, "Sa Benicewicz." Storleksskillnaden är nästan omärklig. Om du vill ha mycket permeabilitet, du kommer inte att få mycket selektivitet. "

Benicewicz och hans medarbetare vid Columbia University ville se om big data kunde designa ett mer effektivt membran.

Teamet vid Columbia University skapade en algoritm för maskininlärning som analyserade den kemiska strukturen och effektiviteten hos befintliga membran som används för att separera koldioxid från metan. När väl algoritmen exakt kunde förutsäga effektiviteten hos ett givet membran, de vände frågan:Vilken kemisk struktur skulle göra det ideala gasseparationsmembranet?

Sanat K. Kumar, Bykhovsky -professor i kemiteknik vid Columbia, jämförde det med Netflix metod för att rekommendera filmer. Genom att undersöka vad en tittare har sett och gillat tidigare, Netflix bestämmer funktioner som tittaren gillar och hittar sedan videor att rekommendera. Hans algoritm analyserade de kemiska strukturerna i befintliga membran och bestämde vilka strukturer som skulle vara mer effektiva.

Datorn tog fram en lista med 100 hypotetiska material som kan överskrida nuvarande gränser. Benicewicz, som leder en forskargrupp för syntetisk kemi, identifierade två av de föreslagna strukturerna som sannolikt skulle kunna göras. Laura Murdock, en UofSC doktorand student i kemi, tillverkade de föreskrivna polymererna och gjut dem i tunna filmer.

När membranen testades, deras effektivitet var nära datorns förutsägelser och långt över förmodade gränser.

"Deras prestation var mycket bra - mycket bättre än vad som tidigare hade gjorts, "Sa Murdock." Och det var ganska enkelt. Det har potential för kommersiellt bruk. "

Att separera koldioxid och metan har en omedelbar tillämpning i naturgasindustrin; CO ₂ måste avlägsnas från naturgas för att förhindra korrosion i rörledningar. Men Murdock sa att metoden att använda stora data för att ta bort gissningar från processen leder till en annan fråga:"Vilka andra polymermaterial kan vi tillämpa maskininlärning på och skapa bättre material för alla typer av applikationer?"

Benicewicz sa att maskininlärning kan hjälpa forskare att designa nya membran för att separera växthusgaser från kol, som kan bidra till att minska klimatförändringarna.

"Detta arbete pekar alltså på ett nytt sätt för materialdesign, "Kumar sa." I stället för att testa allt material som finns för en viss applikation, du letar efter den del av ett material som bäst tillgodoser det behov du har. När du kombinerar de allra bästa materialen har du chansen att designa ett bättre material. "