Forskare vid Columbia Engineering, ledd av professorer i kemiteknik Venkat Venkatasubramanian och Sanat Kumar, har utvecklat ett nytt tillvägagångssätt för att designa nya nanostrukturerade material genom en invers designram med genetiska algoritmer. Studien, publicerad i den 28 oktober Early Online -upplagan av Förfaranden från National Academy of Sciences ( PNAS ), är den första som demonstrerar tillämpningen av denna metod för design av självmonterade nanostrukturer, och visar potentialen för maskininlärning och "big data" -metoder som förkroppsligas i det nya institutet för datavetenskap och teknik vid Columbia.

"Vårt ramverk kan hjälpa till att påskynda materialupptäcktsprocessen, "säger Venkatasubramanian, Samuel Ruben-Peter G. Viele professor i teknik, och medförfattare till tidningen. "På sätt och vis, vi utnyttjar hur naturen upptäcker nya material - den darwinistiska utvecklingsmodellen - genom att på ett lämpligt sätt gifta det med beräkningsmetoder. Det är Darwin på steroider! "

Med hjälp av en genetisk algoritm som de utvecklat, forskarna designade DNA-ympade partiklar som självmonterades i de kristallina strukturerna de ville ha. Deras var ett "omvänt" sätt att forska. Inom konventionell forskning, kolloidala partiklar ympade med enkelsträngat DNA får självmonteras, och sedan undersöks de resulterande kristallstrukturerna. "Även om detta edisonianska tillvägagångssätt är användbart för en posteriori förståelse av de faktorer som styr sammansättningen, "konstaterar Kumar, Kemiteknisk avdelningsordförande och studiens medförfattare, "det tillåter oss inte att a priori designa dessa material till önskade strukturer. Vår studie tar upp denna designfråga och presenterar en evolutionär optimeringsmetod som inte bara kunde reproducera det ursprungliga fasdiagrammet som beskriver regioner av kända kristaller, men också för att belysa tidigare obemärkta strukturer. "

Forskarna använder "big data" -koncept och -tekniker för att upptäcka och designa nya nanomaterial - ett prioriterat område under Vita husets materialgenominitiativ - med hjälp av en metodik som kommer att revolutionera materialdesign, påverkar ett brett utbud av produkter som påverkar vårt dagliga liv, från droger och jordbrukskemikalier som bekämpningsmedel eller herbicider till bränsletillsatser, färger och lacker, och även personligvårdsprodukter som schampo.

"Detta omvända designmetod visar potentialen för maskininlärning och algoritmteknik för utmanande problem inom materialvetenskap, "säger Kathleen McKeown, chef för Institute for Data Sciences and Engineering och Henry och Gertrude Rothschild professor i datavetenskap. "På institutet, Vi är fokuserade på att vara banbrytande för sådana framsteg inom ett antal problem av stor praktisk betydelse inom teknik. "

Venkatasubramanian tillägger, "Att upptäcka och designa nya avancerade material och formuleringar med önskade egenskaper är ett viktigt och utmanande problem, omfattar ett brett utbud av produkter inom industrier som tar itu med ren energi, nationell säkerhet, och mänsklig välfärd. "Han påpekar att det traditionella Edisonian-försök-och-fel-upptäcktssättet är tidskrävande och kostsamt-det kan orsaka stora förseningar i time-to-market och missa potentiella lösningar. Och det ständigt ökande beloppet av experimentella data med hög genomströmning, medan en stor modell- och informatikutmaning, har också skapat möjligheter för materialdesign och upptäckt.

Forskarna byggde vidare på sitt tidigare arbete med att utveckla vad de kallar en evolutionär ram för automatiserad upptäckt av nya material. Venkatasubramanian föreslog designramen och analyserade resultaten, och Kumar utvecklade ramarna i samband med självmonterade nanomaterial. Babji Srinivasan, en postdoc med Venkatasubramanian och Kumar och nu en biträdande professor vid IIT Gandhinagar, och Thi Vo, doktorand vid Columbia Engineering, gjort beräkningsforskningen. Teamet samarbetade med Oleg Gang och Yugang Zhang från Brookhaven National Laboratory, som utförde de stödjande experimenten.

Teamet planerar att fortsätta utforska designutrymmet för potentiella ssDNA-ympade kolloidala nanostrukturer, förbättra sina framåtriktade modeller, och ta in mer avancerade maskininlärningstekniker. "Vi behöver ett nytt paradigm som ökar idéflödet, vidgar sökhorisonten, och arkiverar kunskapen från dagens framgångar för att påskynda morgondagens, "säger Venkatasubramanian.