阿卜杜拉国王科技大学 机器学习和实验设计可以结合起来，以确定开发先进材料的最可持续的方法
信用:020 KAUSTXavier Pita 化学计算机算法用更少的实验数据做更多的事情来揭示制造绿色材料的最佳方法
KAUST的研究人员建议，机器学习可以教会我们如何通过采取整体观点来确定最绿色的生产方法，从而使材料制造更加清洁和可持续
捷尔吉·策克利实验室的博士后里凡·哈丁说，对可持续性的追求意味着全世界的科学家都在开发先进的材料来帮助解决问题，包括碳捕获、海水淡化和能量储存
“虽然这些材料表现出了良好的性能，但这些材料本身往往是以不可持续的方式生产的——使用恶劣的条件、有毒的溶剂和产生过量废物的能源密集型工艺——这可能会造成比它们解决的更多的环境问题，”哈丁说
与张和他的团队合作，和哈迪安一直在研究一种更可持续的材料开发方法，称为实验设计(DoE)
哈迪安说:“不同于传统的材料优化方法，传统方法每次改变一个因素，能源部是一个系统的方法，允许多个因素同时改变。”
DoE理论上允许变量——如反应物和溶剂的选择、反应时间和反应温度——同时被优化
这一过程减少了实验次数，也有可能找到最环保的材料制造方法
然而，优化每个变量以从这种稀疏的实验数据中确定最佳反应方案是具有挑战性的
“这是机器学习的切入点，”哈丁说
机器学习是人工智能的一种形式，它可以从有限数量的数据点学习模式，以填充数据中的空白
“通过这种方式，人们可以观察整个实验空间，选择最符合预期结果的反应条件，”哈丁说
该团队结合了能源部和机器学习，以确定一种可持续的方法来制造一种流行的金属有机框架材料，称为ZIF-8
哈迪安说:“ZIF 8号在气体分离、催化、重金属去除和环境修复等方面具有巨大的应用潜力。”
该团队在ZIF 8号的电化学合成中优化了10个变量，确定了一个以水为溶剂、产生最少废物的高产工艺
“多亏了机器学习，我们对变量的相互作用有了一个整体的看法，并发现了许多意想不到的相关性，如果我们遵循传统的方法，这些相关性可能会被忽略，”哈丁说
策克利说，下一个里程碑将是把能源部和机器学习应用于大规模材料生产
“最终，我们的目标是将未来的自主实验室系统愿景变为现实，该系统可以持续运行并自我优化反应条件，”他说
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
