Nieuwe taal codeert vorm en structuur om machine learning-modellen te helpen de eigenschappen van nanoporiën te voorspellen

Een groot aantal 2D-materialen zoals grafeen kunnen nanoporiën hebben: kleine gaatjes gevormd door ontbrekende atomen waardoor vreemde stoffen kunnen passeren. De eigenschappen van deze nanoporiën bepalen veel van de eigenschappen van de materialen, waardoor deze laatste gassen kunnen detecteren, zeewater kunnen filteren en zelfs kunnen helpen bij de DNA-sequencing.

“Het probleem is dat deze 2D-materialen een brede verspreiding van nanoporiën hebben, zowel qua vorm als qua grootte”, zegt Ananth Govind Rajan, universitair docent bij de afdeling Chemische Technologie, Indian Institute of Science (IISc). “Je weet niet wat zich in het materiaal gaat vormen, dus het is erg moeilijk om te begrijpen wat de eigenschap van het resulterende membraan zal zijn.”

Machine learning-modellen kunnen een krachtig hulpmiddel zijn om de structuur van nanoporiën te analyseren en zo verleidelijke nieuwe eigenschappen te ontdekken. Maar deze modellen hebben moeite om te beschrijven hoe een nanoporie eruit ziet.

Het laboratorium van Govind Rajan heeft nu een nieuwe taal bedacht die de vorm en structuur van nanoporiën codeert in de vorm van een reeks karakters. gepubliceerd in de Tijdschrift van de American Chemical SocietyDeze taal kan worden gebruikt om elk machinaal leermodel te trainen om de eigenschappen van nanoporiën in een grote verscheidenheid aan materialen te voorspellen.

Deze taal heet STRONG (String Representation Of Nanopore Geometry) en wijst verschillende letters toe aan verschillende atoomconfiguraties en creëert een reeks van alle atomen aan de rand van een nanoporie om de vorm ervan te specificeren. Een volledig gebonden atoom (met drie bindingen) wordt bijvoorbeeld weergegeven als “F” en een hoekatoom (gebonden aan twee atomen) wordt weergegeven als “C”, enzovoort.

Verschillende nanoporiën hebben verschillende soorten atomen aan de rand, wat hun eigenschappen bepaalt. STRONGs stelde het team in staat snelle manieren te bedenken voor het identificeren van functioneel equivalente nanoporiën met identieke randatomen, zoals die gerelateerd door rotatie of reflectie. Dit vermindert drastisch de hoeveelheid gegevens die moet worden geanalyseerd om de eigenschappen van nanoporiën te voorspellen.

Net zoals ChatGPT tekstuele gegevens voorspelt, kunnen neurale netwerken (machine learning-modellen) de letters in STRONGs “lezen” om te begrijpen hoe een nanoporie eruit zal zien en om te voorspellen wat de eigenschappen ervan zullen zijn.

Het team richtte zich op een variant van een neuraal netwerk dat wordt gebruikt bij natuurlijke taalverwerking en dat goed werkt met lange reeksen en in de loop van de tijd selectief informatie kan onthouden of vergeten. In tegenstelling tot traditioneel programmeren, waarbij de computer expliciete instructies krijgt, kunnen neurale netwerken worden getraind om erachter te komen hoe ze een probleem kunnen oplossen dat ze tot nu toe nog niet zijn tegengekomen.

Het team gebruikte een aantal nanoporiestructuren met bekende eigenschappen (zoals vormingsenergie of barrière voor gastransport) en gebruikte deze om het neurale netwerk te trainen. Het neurale netwerk gebruikt deze trainingsgegevens om een ​​wiskundige functie bij benadering te bepalen, die vervolgens kan worden gebruikt om de eigenschappen van een nanoporie te schatten wanneer de structuur ervan in de vorm van STERKE letters wordt gegeven.

Dit opent ook opwindende mogelijkheden voor reverse engineering: het creëren van een nanoporiestructuur met specifieke eigenschappen waarnaar men op zoek is, iets dat vooral nuttig is bij gasscheiding.

“Met behulp van STRONGs en neurale netwerken hebben we gescreend op nanoporeuze materialen om CO te scheiden₂ uit rookgas, een mengsel van gassen die vrijkomen bij de verbranding van brandstof”, zegt Piyush Sharma, voormalig MTech-student en eerste auteur van het onderzoek.

Dit proces is van cruciaal belang voor het verminderen van de CO2-uitstoot. De onderzoekers konden een aantal kandidaat-structuren identificeren die effectief CO2 konden opvangen₂ uit een mengsel dat zuurstof en stikstof bevat.

Het team onderzoekt ook het idee om een ​​digitale tweeling van 2D-materialen te creëren. “Stel dat je veel experimentele gegevens over een materiaal verzamelt. Je kunt dan proberen te zien wat de verzameling nanoporiën zou zijn geweest die tot deze prestatie zou hebben geleid”, zegt Govind Rajan.

“Met deze digitale tweeling van het materiaal kun je veel dingen doen: de prestaties voorspellen voor de scheiding van een andere reeks gassen, of je kunt geheel nieuwe gebruiksscenario’s bedenken voor hetzelfde materiaal.”