Ученые из Технологического института Джорджии (Georgia Institute of Technology, США) разрабатывают и адаптируют алгоритмы искусственного интеллекта (ИИ) для ускорения открытия новых полимерных материалов.
В журнале Nature были опубликованы две статьи, в которых освещаются значительные достижения и истории успеха, полученные за годы исследований полимерной информатики с использованием ИИ. Первая статья, опубликованная в Nature Reviews Materials, демонстрирует последние прорывы в проектировании полимеров в критически важных и современных областях применения, таких как хранение энергии, технологии фильтрации и вторичной переработки пластмасс.
Во второй статье, опубликованной в Nature Communications, основное внимание уделяется использованию алгоритмов ИИ для открытия подкласса полимеров для электростатического хранения энергии, при этом разработанные материалы успешно синтезируются и тестируются в лабораторных условиях.
«На заре развития ИИ в материаловедении, которое было поддержано инициативой Белого дома по геному материалов более десяти лет назад, исследования в этой области в значительной степени были обусловлены любопытством. Только в последние годы мы начали видеть ощутимые, реальные истории успеха в ускоренном открытии полимеров с помощью ИИ. Эти успехи теперь вдохновляют на значительные преобразования в сфере исследований и разработок промышленных материалов. Именно это делает этот обзор таким значимым и своевременным», — говорит Рампи Рампрасад (Rampi Ramprasad), профессор Школы материаловедения и инженерии Технологического института Джорджии.
Райан Лайвли, профессор Школы химической и биомолекулярной инженерии Georgia Institute of TechnologyИзображение: Georgia Institute of Technology
Команда Рампи Рампрасада разработала алгоритмы, которые могут мгновенно предсказывать свойства и формулы полимеров до того, как они будут физически созданы. Процесс начинается с определения целевых свойств или критериев производительности, специфичных для конкретного приложения. Модели машинного обучения (МО) обучаются на существующих данных о свойствах материалов, чтобы предсказать эти желаемые результаты.
Кроме того, ученые могут генерировать новые полимеры, свойства которых прогнозируются с помощью моделей МО. Лучшие кандидаты, которые соответствуют критериям целевых свойств, затем отбираются для проверки в реальных условиях посредством лабораторного синтеза и тестирования. Результаты этих новых экспериментов интегрируются с исходными данными, дополнительно уточняя прогностические модели в непрерывном итеративном процессе.
Несмотря на то что ИИ может ускорить открытие новых полимеров, он также представляет уникальные проблемы, отмечают разработчики. Точность прогнозов ИИ зависит от доступности богатых, разнообразных, обширных исходных наборов данных, что делает качественные данные первостепенными.
Кроме того, разработка алгоритмов, способных генерировать химически реалистичные и синтезируемые полимеры, является сложной задачей. Но настоящая проблема начинается после того, как алгоритмы делают свои прогнозы: доказать, что разработанные материалы могут быть изготовлены в лаборатории и функционировать так, как ожидается, а затем продемонстрировать их масштабируемость за пределами лаборатории для использования в реальном мире.
Группа Рампрасада разрабатывает эти материалы, в то время как их изготовление, обработка и тестирование осуществляются сотрудниками в различных учреждениях, включая Технологический институт Джорджии.
Профессор Райан Лайвли (Ryan Lively) из Школы химической и биомолекулярной инженерии сотрудничает с группой Рампрасада и является соавтором статьи, опубликованной в Nature Reviews Materials.
«В наших повседневных исследованиях мы широко используем модели машинного обучения, разработанные командой Рампи. Эти инструменты ускоряют нашу работу и позволяют нам быстро исследовать новые идеи. Это воплощает обещание МО и ИИ, поскольку мы можем принимать решения на основе моделей, прежде чем выделять время и ресурсы на изучение концепций в лаборатории», — отмечает Райан Лайвли.
Используя ИИ, команда разработчиков и их коллеги добились значительных успехов в различных областях, включая хранение энергии, технологии фильтрации, аддитивное производство и перерабатываемые материалы.
Один заметный успех, описанный в статье Nature Communications, касается разработки новых полимеров для конденсаторов, которые хранят электростатическую энергию и являются важными компонентами в электрических и гибридных транспортных средствах в том числе. Группа Рампрасада работала с исследователями из Университета Коннектикута.
По словам ученых, современные полимеры для конденсаторов обеспечивают либо высокую плотность энергии, либо термическую стабильность, но не то и другое одновременно. Используя инструменты ИИ, исследователи определили, что изоляционные материалы, изготовленные из полинорборненовых и полиимидных полимеров, могут одновременно достигать высокой плотности энергии и высокой термической стабильности. Полимеры можно дополнительно усовершенствовать для работы в сложных условиях, таких как аэрокосмические приложения, сохраняя при этом экологическую устойчивость.
«Новый класс полимеров с высокой энергетической плотностью и высокой термостойкостью — один из самых наглядных примеров того, как ИИ может направлять открытие материалов. Это также результат многолетней многопрофильной совместной работы с Грегом Сотцингом и Янгом Цао в Университете Коннектикута и постоянного спонсорства Управления военно-морских исследований», — рассказал Рампи Рампрасад.
Потенциал реального воплощения разработки материалов с помощью ИИ подчеркивается участием промышленности в статье Nature Reviews Materials: соавторами статьи были ученые из Toyota Research Institute и General Electric.