Kemidatoralgoritm gör mer med mindre experimentella data för att avslöja det optimala sättet att göra gröna material.

Maskininlärning kan lära oss hur man gör tillverkning av material renare och mer hållbart genom att ta en helhetssyn för att identifiera den grönaste produktionsmetoden, föreslår KAUST -forskare.

Jakten på hållbarhet innebär att forskare över hela världen utvecklar avancerat material för att hantera frågor, inklusive koldioxidavskiljning, avsaltning av vatten och energilagring, säger Rifan Hardian, en postdoc i Gyorgy Szekelys lab. "Även om dessa material visar lovande prestanda, själva materialen produceras ofta på ohållbara sätt - under hårda förhållanden, giftiga lösningsmedel och energikrävande processer som genererar överdrivet avfall-vilket potentiellt kan skapa fler miljöproblem än de löser, "Säger Hardian.

I samarbete med Xiangliang Zhang och hans team, Szekely och Hardian har undersökt ett mer hållbart tillvägagångssätt för materialutveckling, kallas design of experiment (DoE). "Till skillnad från konventionella metoder för materialoptimering, som varierar en faktor i taget, DoE är ett systematiskt tillvägagångssätt som gör att flera faktorer kan varieras samtidigt, "Säger Hardian.

DoE tillåter teoretiskt variabler - till exempel val av reaktant och lösningsmedel, reaktionstid och reaktionstemperatur - optimeras på en gång. Förfarandet minskar antalet utförda experiment och identifierar också potentiellt det grönaste möjliga sättet att göra ett material. Dock, det är utmanande att optimera varje variabel för att identifiera det bästa reaktionsprotokollet från sådana glesa experimentella data. "Det är här maskininlärning kommer in, "Säger Hardian.

Maskininlärning är en form av artificiell intelligens som kan lära sig mönster från ett begränsat antal datapunkter för att fylla i tomrummen i data. "Den här vägen, man kan se hela experimentutrymmet och välja det reaktionstillstånd som bäst passar de önskade resultaten, "Säger Hardian.

Teamet kombinerade DoE och maskininlärning för att identifiera en hållbar metod för att göra ett populärt metallorganiskt ramverk (MOF) material som kallas ZIF-8. "ZIF-8 har stor potential i applikationer, såsom gasseparation, katalys, tungmetallborttagning och miljösanering, "Säger Hardian. Teamet optimerade 10 variabler i den elektrokemiska syntesen av ZIF-8, identifiera en högavkastande process som använde vatten som lösningsmedel och genererade minimalt med avfall. "Tack vare maskininlärning, vi utvecklade en helhetssyn på variablernas interaktioner och identifierade många oväntade korrelationer som kunde ha missats om vi hade följt ett konventionellt tillvägagångssätt, "Säger Hardian.

Nästa milstolpe blir att tillämpa DoE och maskininlärning på storskalig materialproduktion, Szekely säger. "I sista hand, vårt mål är att vända den futuristiska visionen om ett autonomt laboratoriesystem, som kontinuerligt kan köra och självoptimera reaktionsförhållanden, in i verkligheten, " han säger.