Big Data und synthetische Chemie könnten Klimawandel und Umweltverschmutzung bekämpfen
Chemiker blicken in die Zukunft des Materialdesigns
Wissenschaftler an der University of South Carolina und der Columbia University haben einen schnelleren Weg entwickelt, um Gasfiltermembranen zu entwerfen und herzustellen, die Treibhausgasemissionen und Umweltverschmutzung reduzieren könnten.
Laura Murdock, Doktorandin in Chemie an der University of South Carolina, untersucht einen Polymerfilm, der alle anderen bekannten Membranen zur Trennung von Kohlendioxid und Methan übertraf. Sie schuf die Membran, die durch einen Algorithmus des maschinellen Lernens für überlegene Leistung entworfen wurde.
University of South Carolina
Ihre neue Methode, die in Science Advances veröffentlicht wurde, vermischt maschinelles Lernen mit synthetischer Chemie, um neue Gastrennungsmembranen schneller zu entwerfen und zu entwickeln. Jüngste Experimente, die diesen Ansatz anwenden, führten zu neuen Materialien, die Gase besser als alle anderen bekannten Filtermembranen trennen.
Diese Entdeckung könnte die Art und Weise, wie neue Materialien entworfen und hergestellt werden, revolutionieren, sagte Brian Benicewicz, Chemieprofessor des SmartState der University of South Carolina.
"Er beseitigt das Rätselraten und die alte Versuch-und-Irrtum-Arbeit, die sehr ineffektiv ist", sagte Benicewicz. "Man muss nicht Hunderte von verschiedenen Materialien herstellen und testen. Jetzt lassen Sie die Maschine lernen. Sie kann Ihre Suche eingrenzen."
Kunststofffolien oder -membranen werden häufig zur Filterung von Gasen verwendet. Benicewicz erklärte, dass diese Membranen unter einem Kompromiss zwischen Selektivität und Permeabilität leiden - ein Material, das ein Gas durchlässt, dürfte kaum ein Molekül eines anderen Gases aufhalten. "Wir sprechen hier von einigen wirklich kleinen Molekülen", sagte Benicewicz. "Der Größenunterschied ist fast nicht wahrnehmbar. Wenn man viel Permeabilität will, wird man nicht viel Selektivität erhalten."
Benicewicz und seine Mitarbeiter an der Columbia University wollten sehen, ob große Daten eine effektivere Membran entwerfen könnten.
Das Team an der Columbia University entwickelte einen Algorithmus für maschinelles Lernen, der die chemische Struktur und Wirksamkeit bestehender Membranen analysierte, die zur Abtrennung von Kohlendioxid aus Methan verwendet werden. Sobald der Algorithmus die Wirksamkeit einer bestimmten Membran genau vorhersagen konnte, drehten sie die Frage um: Welche chemische Struktur würde die ideale Gastrennmembran ergeben?
Sanat K. Kumar, der Bykhovsky-Professor für Chemieingenieurwesen an der Columbia University, verglich dies mit der Methode von Netflix zur Empfehlung von Filmen. Indem Netflix untersucht, was ein Zuschauer schon einmal gesehen und gemocht hat, ermittelt es Funktionen, die dem Zuschauer gefallen, und findet dann Videos, die er empfehlen kann. Sein Algorithmus analysierte die chemischen Strukturen vorhandener Membranen und ermittelte, welche Strukturen effektiver wären.
Der Computer erstellte eine Liste mit 100 hypothetischen Materialien, die die derzeitigen Grenzen überschreiten könnten. Benicewicz, der eine Forschungsgruppe für synthetische Chemie leitet, identifizierte zwei der vorgeschlagenen Strukturen, die plausibel gemacht werden könnten. Laura Murdock, eine Doktorandin der UofSC in Chemie, stellte die vorgeschriebenen Polymere her und goss sie in dünne Filme.
Als die Membranen getestet wurden, lag ihre Wirksamkeit nahe an der Vorhersage des Computers und weit über den vermuteten Grenzen.
"Ihre Leistung war sehr gut, viel besser als das, was zuvor hergestellt worden war", sagte Murdock. "Und es war ziemlich einfach. Sie hat das Potenzial für eine kommerzielle Nutzung", sagte Murdock.
Die Abtrennung von Kohlendioxid und Methan hat eine unmittelbare Anwendung in der Erdgasindustrie; CO2 muss aus Erdgas entfernt werden, um Korrosion in Pipelines zu verhindern. Aber Murdock sagte, die Methode, große Daten zu verwenden, um das Rätselraten aus dem Prozess zu entfernen, führe zu einer anderen Frage: "Auf welche anderen Polymermaterialien können wir maschinelles Lernen anwenden und bessere Materialien für alle Arten von Anwendungen schaffen?
Benicewicz sagte, das maschinelle Lernen könne den Wissenschaftlern helfen, neue Membranen für die Trennung von Treibhausgasen aus Kohle zu entwerfen, was zur Verringerung des Klimawandels beitragen könne.
"Diese Arbeit weist also auf eine neue Art des Materialdesigns hin", sagte Kumar. "Anstatt alle Materialien zu testen, die es für eine bestimmte Anwendung gibt, sucht man nach dem Teil eines Materials, der am besten dem Bedarf entspricht, den man hat. Wenn man die allerbesten Materialien kombiniert, hat man die Chance, ein besseres Material zu entwerfen.
Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.
Originalveröffentlichung
J. Wesley Barnett et al.; "Designing exceptional gas-separation polymer membranes using machine learning"; Science Advances; 2020
Weitere News aus dem Ressort Wissenschaft
Holen Sie sich die Chemie-Branche in Ihren Posteingang
Ab sofort nichts mehr verpassen: Unser Newsletter für die chemische Industrie, Analytik, Labor und Prozess bringt Sie jeden Dienstag und Donnerstag auf den neuesten Stand. Aktuelle Branchen-News, Produkt-Highlights und Innovationen - kompakt und verständlich in Ihrem Posteingang. Von uns recherchiert, damit Sie es nicht tun müssen.
