Tänk dig en plastpåse som kan ta hem dina matvaror, försämras sedan snabbt, utan att skada miljön. Eller en superstark, lätt plast för flygplan, raketer, och satelliter som kan ersätta traditionella strukturella metaller inom rymdteknik.

Maskininlärning och artificiell intelligens har påskyndat förmågan att designa material med specifika egenskaper som dessa. Men medan forskare har lyckats designa nya metalllegeringar, polymerer - som plasten som används för påsar - har varit mycket svårare att designa.

Forskare vid Pritzker School of Molecular Engineering (PME) vid University of Chicago har hittat en väg framåt i utformningen av polymerer genom att kombinera modellering och maskininlärning.

Genom att beräkna konstruera nästan 2, 000 hypotetiska polymerer, de kunde skapa en tillräckligt stor databas för att träna ett neuralt nätverk-en typ av maskininlärning-för att förstå vilka polymeregenskaper som härrör från olika molekylära sekvenser.

"Vi visar att problemet är överkomligt, "sa Juan de Pablo, Liew familjeprofessor i molekylär teknik som ledde forskningen. "Nu när vi har etablerat denna grund och har visat att det går att göra, vi kan verkligen gå vidare med att använda detta ramverk för att designa polymerer med specifika egenskaper. "

Resultaten publicerades 21 oktober Vetenskapliga framsteg .

Det är svårt att designa polymerer på grund av långa atomersträngar

Polymerer uppvisar amorfa, störda strukturer som inte lätt kan definieras med hjälp av de tekniker som forskare har utvecklat för att studera metaller eller andra kristallina material.

Polymermolekyler består av stora grupper av atomer arrangerade i en mycket lång sträng, ibland omfattande miljontals "monomerer". Varje polymermolekyl är annorlunda. Längden är inte bara annorlunda, men sekvensen i vilken atomerna är arrangerade kan variera avsevärt.

Längd och sekvens har ett stort inflytande på egenskaperna hos en polymer molekyl, och det utomordentligt stora antalet möjliga längd- och sekvenskombinationer är en central utmaning vid utformning av molekyler med specifika egenskaper. Trial-and-error-metoder är av begränsad användning och att generera nödvändiga experimentella data för att informera en rationell designstrategi skulle vara mycket krävande.

Det är där maskininlärning kommer in. Forskarna gav sig ut för att svara på frågan:"Kan maskininlärningsalgoritmer" lära sig "hur man förutspår egenskaper hos polymerer enligt deras sekvens, och, om så är fallet, hur stor datamängd skulle behövas för att träna de underliggande algoritmerna? "

Skapa en databas för att lära sig polymersekvenser

För att skapa databasen, forskarna använde nästan 2, 000 beräknat konstruerade polymerer, alla har olika sekvenser, och körde molekylära simuleringar för att förutsäga deras egenskaper och beteende. När de först använde ett neuralt nätverk för att ta reda på vilka egenskaper som baserades på vilka molekylära sekvenser, de var osäkra på om de skulle hitta ett rimligt svar.

"Vi visste inte hur många olika polymersekvenser som var nödvändiga för att lära sig beteendet hos material, "sa de Pablo." Svaret kunde ha varit miljoner. "

Lyckligtvis, nätverket behövde bara mindre än några hundra olika sekvenser för att lära sig egenskaperna och förutsäga beteendet hos helt nya molekylära sekvenser. Det innebar att experimentalister nu kunde följa en liknande strategi och skapa en databas för att utbilda ett maskininlärningsnätverk för att förutsäga egenskaper hos polymerer på grundval av experimentella data.

Den där, dock, var bara hälften av problemet. Nästa, forskarna behövde använda den information som lärt sig av det neurala nätverket för att faktiskt utforma nya molekyler. De fortsatte med det och för första gången, kunde visa förmågan att specificera en önskad egenskap från en polymermolekyl och använda maskininlärning för att generera en uppsättning sekvenser som skulle leda till dessa egenskaper.

Designa specifika polymerer

Även om systemet var utbildat för att förstå endast en viss typ av polymer, de potentiella konsekvenserna kan sträcka sig till många slag. Företag kan inte bara designa produkter som är mer miljövänliga, de kan också designa polymerer som gör exakt vad de vill att de ska göra.

Polymerer löses rutinmässigt i lösningsmedel för färg, kosmetika, läkemedel, medicinska lösningar, och livsmedel för att kontrollera vätskeflödet, till exempel. Polymerer används också i ett brett spektrum av avancerad teknik, allt från rymdapplikationer till energilagring till elektroniska och biomedicinska enheter. Att designa polymerer med hög precision för specifika applikationer kan göra det möjligt för företag att konstruera material till en mer prisvärd, lättare, och mer hållbart sätt.

Nästa, forskargruppen hoppas kunna involvera experimentister i utvecklingen av några av de polymerer de designade och att fortsätta förfina sitt system för att skapa ännu mer komplexa polymerer. Genom att förlita sig på robotsystem för hög genomströmningssyntes och karakterisering av nya molekyler, de hoppas kunna utöka sin databas med experimentella data.

"Vi tror att vi ligger i framkant på detta område, "sa de Pablo." Under de kommande två till fem åren, du kommer att se mycket kraftfullt arbete komma ut av dessa ansträngningar och de av andra forskargrupper vid University of Chicago, vid Argonne National Laboratory, och runt om i världen. Vi har också byggt starka partnerskap med industriella samarbetspartners som gör att vi kan påskynda överföringen av kunskap från akademin till den kommersiella sektorn. "