Ansamlingen av plastavfall i naturliga miljöer är ytterst oroande, eftersom det bidrar till att förstöra ekosystem och skadar vattenlivet. Under de senaste åren har materialforskare därför försökt identifiera helt naturliga alternativ till plast som skulle kunna användas för att förpacka eller tillverka produkter.
Forskare vid University of Maryland, College Park, tog nyligen fram ett nytt tillvägagångssätt för att upptäcka lovande biologiskt nedbrytbara plastalternativ. Deras föreslagna metod, som beskrivs i en artikel publicerad i Nature Nanotechnology , kombinerar toppmoderna maskininlärningstekniker med molekylär vetenskap.
"Min inspiration för den här forskningen utlöstes av ett besök i Palau 2019 i västra Stilla havet," sa prof. Po-Yen Chen, medförfattare till tidningen, till Tech Xplore. "Plastföroreningarnas inverkan på det marina livet där – flytande plastfilmer som lurar fiskar och havssköldpaddor som tror att plastavfall är mat – var djupt oroande. Detta motiverade mig att tillämpa min expertis på denna miljöfråga och ledde till att jag fokuserade på att hitta en lösning när sätter upp mitt forskningslabb på UMD."
Konventionella och tidigare använda metoder för att söka efter hållbara plastalternativ är tidskrävande och ineffektiva. I många fall ger de också dåliga resultat, till exempel genom att identifiera material som är biologiskt nedbrytbara men inte har samma önskvärda egenskaper som plast.
Det innovativa tillvägagångssättet för att identifiera plastalternativ som introducerades i detta senaste dokument bygger på en maskininlärningsmodell utvecklad av Chen.
Förutom att vara snabbare än konventionella metoder för att söka efter material, kan detta tillvägagångssätt vara mer effektivt för att upptäcka material som realistiskt kan användas i tillverknings- och industrimiljöer. Chen tillämpade sin maskininlärningsteknik för att upptäcka alternativ av helt plast i nära samarbete med sina kollegor Teng Li och Liangbing Hu.
"Genom att kombinera automatiserad robotik, maskininlärning och simuleringar av molekylär dynamik, accelererade vi utvecklingen av miljövänliga, helt naturliga plastersättningar som uppfyller väsentliga prestandastandarder," förklarade Chen. "Vårt integrerade tillvägagångssätt kombinerar automatiserad robotik, maskininlärning och aktiva inlärningsslingor för att påskynda utvecklingen av biologiskt nedbrytbara plastalternativ."
Först sammanställde Chen och hans kollegor ett omfattande bibliotek av nanokompositfilmer från olika naturliga källor. Detta gjordes med hjälp av en autonom pipetteringsrobot, som självständigt kan förbereda laboratorieprover.
Därefter använde forskarna detta provbibliotek för att träna Chens maskininlärningsbaserade modell. Under utbildningen blev modellen gradvis mer skicklig i att förutsäga egenskaper hos material baserat på deras sammansättning, genom en process som kallas iterativt aktivt lärande.
"Synergin mellan robotik och maskininlärning påskyndar inte bara upptäckten av naturliga plastersättningar utan möjliggör också riktad design av plastalternativ med specifika egenskaper," sa Chen. "Vårt tillvägagångssätt minskar avsevärt tiden och resurserna som krävs, jämfört med den traditionella forskningen med försök och fel."
Denna färska studie och det tillvägagångssätt som den introducerade kan påskynda det framtida sökandet efter miljövänliga plastalternativ. Teamets modell kan snart användas av team över hela världen för att producera helt naturliga nanokompositer med justerbara och fördelaktiga egenskaper.
"Genom att koppla ihop robotik, maskininlärning och simuleringsverktyg har vi etablerat ett arbetsflöde som påskyndar upptäckten av nya funktionella material och möjliggör anpassning för specifika applikationer," sa Chen.
"Vårt integrerade tillvägagångssätt sänker designbarriären för ett grönt alternativ till petrokemisk plast samtidigt som det förblir miljövänligt. Det ger också en öppen och utbyggbar databas fokuserad på gröna, miljövänliga och biologiskt nedbrytbara funktionella material."
I framtiden kan det innovativa tillvägagångssättet som utvecklats av Chen bidra till att minska plastföroreningar över hela världen, genom att underlätta övergången av flera sektorer till mer hållbara material. I sina nästa studier planerar forskarna att fortsätta arbeta för att ta itu med miljöproblem som orsakas av petrokemisk plast.
Till exempel hoppas de kunna utöka utbudet av naturmaterial som tillverkarna kan välja mellan. Dessutom kommer de att försöka bredda de möjliga tillämpningarna av material som identifierats av deras modell och se till att dessa material kan produceras i stor skala.
"Vi arbetar nu med att hitta rätt biologiskt nedbrytbara och hållbara material för att förpacka färskvaror efter skörd, ersätta livsmedelsförpackningar i plast för engångsbruk och förbättra hållbarheten för dessa produkter efter skörd", tillade Chen.
"Vi undersöker också hur vi ska hantera bortskaffandet av dessa biologiskt nedbrytbara plaster, inklusive att återvinna dem eller omvandla dem till andra användbara kemikalier. Dessa ansträngningar är avgörande steg för att göra våra lösningar inte bara miljövänliga utan också ekonomiskt lönsamma alternativ till konventionell plast. Detta arbete bidrar avsevärt till det världsomspännande initiativet för att minska plastföroreningarna."
Mer information: Tianle Chen et al, Maskinintelligens-accelererad upptäckt av helt naturliga plastersättningar, Nature Nanotechnology (2024). DOI:10.1038/s41565-024-01635-z
Journalinformation: Nanoteknik
© 2024 Science X Network
