Polymermembran används ofta inom industrin för separation av gaser som CO₂ från rökgas och metan från naturgas. Under flera decennier har forskare studerat olika polymerer för att förbättra deras permeabilitet och användbarhet men har stött på en vägspärr när det gäller att testa dem alla på ett snabbt och effektivt sätt. I en nyligen publicerad publikation i Science Advances , UConn biträdande professor i maskinteknik Ying Li, University of Connecticut (UConn) Centennial professor i kemisk och biomolekylär ingenjörskonst Jeff McCutcheon; UConn forskare Lei Tao, Jinlong He; och forskaren Jason Yang från California Institute of Technology har hittat ett innovativt nytt sätt att använda maskininlärning (ML) för att testa och upptäcka nya polymermembran.

Genom undersökningar anmärker författarna på den nuvarande edisonska inställningen till membrandesign:"Under decennierna av teknisk utveckling inom det membranvetenskapliga området har design av nya membranmaterial varit, och förblir, en till stor del trial-and-error-process, styrd av erfarenhet och intuition. Nuvarande tillvägagångssätt involverar generellt inställning av kemiska grupper för att öka affiniteten och lösligheten mot den önskade gasen eller inkorporering av större fri volym för att öka den totala diffusiviteten."

Som en alternativ metod till tråkiga experiment kan beräkningsmodeller användas för att förutsäga membranprestanda. Men de är antingen för dyra eller låg noggrannhet orsakad av de förenklade approximationerna. För att åtgärda denna brist utvecklade teamet ett korrekt sätt att identifiera nya, högpresterande polymerer med hjälp av ML-metoder.

Med hjälp av flera fingeravtrycksfunktioner och fasta kemiska deskriptorer använde teamet djupinlärning på en liten datauppsättning för att koppla membrankemi till membranprestanda. Traditionellt är RF-modeller (Random Forest) kända för att fungera bäst på små datamängder, men teamet fann att djupa neurala nätverk fungerade bra på grund av användningen av ensembling, som kombinerar förutsägelser från flera modeller.

Vidare fann teamet att ML-modellen kunde upptäcka tusentals polymerer med prestanda som förutspås överskrida Robesons övre gräns, vilket är en standard som används för att definiera avvägningen mellan permeabilitet och selektivitet för polymergasseparationsmembran. Dessutom skulle upptäckta polymerer med ultrahög permeabilitet göra det möjligt för industrin att utföra gasseparationer med högre genomströmning, samtidigt som en hög nivå av selektivitet bibehålls.

Forskarna sammanfattar:"I slutändan förser vi membrandesigngemenskapen med många nya högpresterande polymerkandidater och viktiga kemiska egenskaper att ta hänsyn till när de utformar sina molekylära strukturer. Lärdomar från arbetsflödet som demonstreras i denna studie kan sannolikt tjäna som en vägledning för andra material upptäckts- och designuppgifter, såsom polymermembran för avsaltning och vattenrening, högtemperaturbränsleceller och katalys. Med den ständiga förbättringen av ML-tekniker och en ökning av datorkraft förväntar vi oss att ML-stödda designramverk bara kommer att vinna popularitet och leverera allt mer betydande resultat i materialupptäckt för ett brett spektrum av applikationer." + Utforska vidare

Ny polymermembranteknik förbättrar effektiviteten av koldioxidavskiljning