南卡罗来纳大学 南卡罗莱纳大学的博士生劳拉·默多克展示了她根据机器学习规定的化学设计制作的聚合物薄膜
该膜优于所有已知的用于分离二氧化碳和甲烷的膜,表明机器学习可以帮助化学家更快地开发新材料
学分:劳拉·默多克/南卡罗来纳大学 南卡罗来纳大学和哥伦比亚大学的科学家开发了一种更快的方法来设计和制造气体过滤膜,这种过滤膜可以减少温室气体排放,减少污染
他们的新方法今天发表在《科学进展》杂志上,将机器学习和合成化学结合起来,更快地设计和开发新的气体分离膜
最近应用这种方法的实验产生了比其他已知过滤膜更好地分离气体的新材料
南卡罗来纳大学智能州化学教授布莱恩·贝尼斯维茨说,这一发现可能会彻底改变新材料的设计和制造方式
“它消除了猜测和旧的试错工作,这是非常无效的,”贝尼斯维茨说
“你不必制作数百种不同的材料并进行测试
现在你让机器学习
它可以缩小你的搜索范围
" 塑料薄膜或薄膜通常用于过滤气体
贝尼斯维茨解释说,这些膜在选择性和渗透性之间存在权衡——让一种气体通过的材料不可能阻止另一种气体的分子
“我们在谈论一些真正的小分子,”贝尼斯维茨说
“大小差异几乎察觉不到
如果你想要更多的渗透性,你不会得到更多的选择性
" 贝尼西维茨和他在哥伦比亚大学的合作者想看看大数据是否能设计出更有效的薄膜
哥伦比亚大学的研究小组创造了一种机器学习算法,该算法分析了用于从甲烷中分离二氧化碳的现有膜的化学结构和有效性
一旦该算法能够准确预测给定膜的有效性,他们就将问题转向:什么化学结构会制造理想的气体分离膜? Sanat K
库马尔,哥伦比亚大学的毕霍夫斯基化学工程教授,将其与网飞推荐电影的方法进行了比较
通过检查观众以前看过和喜欢什么,网飞确定观众喜欢的特征,然后找到视频推荐
他的算法分析了现有膜的化学结构,并确定了哪些结构更有效
计算机列出了100种可能超过当前限制的假想材料
贝尼西维茨领导着一个合成化学研究小组,他发现了两种可能被制造出来的结构
劳拉·默多克,佛罗里达州立大学哲学博士
D
化学专业的学生,制作规定的聚合物,并将它们浇铸成薄膜
当测试这些膜时,它们的有效性接近于计算机的预测,远远超过了假定的极限
“他们的表现非常好——比之前的表现好得多,”默多克说
“这很容易
它有商业用途的潜力
" 分离二氧化碳和甲烷在天然气工业中有直接的应用;必须从天然气中去除二氧化碳,以防止管道腐蚀
但默多克表示,使用大数据来消除过程中的猜测的方法导致了另一个问题:“我们还可以将机器学习应用于哪些聚合物材料,并为各种应用创造更好的材料?” 贝尼斯维茨说,机器学习可以帮助科学家设计新的膜来分离煤中的温室气体,这有助于减少气候变化
“这项工作因此指出了一种新的材料设计方式,”库马尔说
“与其测试所有适用于特定应用的材料,不如寻找最能满足您需求的材料
当你把最好的材料结合起来,你就有机会设计出更好的材料
"
来源:由phyica.com整理转载自PH,转载请保留出处和链接!