Bilim adamları genellikle polimerlerden türetilmiş yeni malzemeler ararlar. Sıfırdan bir polimer araması başlatmak yerine, istenen özellikleri elde etmek için mevcut polimerleri harmanlayarak zamandan ve paradan tasarruf ederler.
Ancak en iyi karışımı tanımlamak dikenli bir sorundur. Sadece pratik olarak sınırsız sayıda potansiyel kombinasyon olmakla kalmaz, aynı zamanda polimerler karmaşık yollarla etkileşime girer, bu nedenle yeni bir karışımın özellikleri tahmin etmek zordur.
Yeni materyallerin keşfini hızlandırmak için MIT araştırmacıları, optimal polimer karışımlarını etkili bir şekilde tanımlayabilen tamamen özerk bir deney platformu geliştirdiler. Makale dergide yayınlandı Konu.
Kapalı döngü iş akışı, kimyasalları karıştıran ve her karışımı test eden robotik bir sisteme bir dizi kombinasyon besleyerek çok çeşitli potansiyel polimer karışımlarını keşfetmek için güçlü bir algoritma kullanır.
Sonuçlara dayanarak, algoritma, yeni polimer kullanıcının hedeflerini karşılayana kadar süreci sürdürerek hangi denemelerin bir sonraki yürütüleceğine karar verir.
Deneyler sırasında sistem, kurucu polimerlerinden daha iyi performans gösteren yüzlerce karışımı özerk olarak tanımladı. İlginç bir şekilde, araştırmacılar en iyi performans gösteren karışımların mutlaka en iyi bireysel bileşenleri kullanmadığını buldular.
1957 Kariyer Geliştirme Asistanı Sınıfı Kimya Mühendisliği ve Elektrik Mühendisliği ve Bilgisayar Bilimleri Doçent ve Paper’ın kıdemli yazarı Connor Coley, “Tam tasarım alanını aynı anda göz önünde bulunduran bir optimizasyon algoritması kullanmanın değerinin iyi bir şekilde onaylanması gerektiğini buldum” diyor.
“Tam formülasyon alanını düşünürseniz, potansiyel olarak yeni veya daha iyi özellikler bulabilirsiniz. Farklı bir yaklaşım kullanarak, en iyi karışımın önemli kısımları olan düşük performans gösteren bileşenleri kolayca göz ardı edebilirsiniz.”
Bu iş akışı bir gün, daha güvenli ilaç dağıtım için gelişmiş pil elektrolitleri, daha uygun maliyetli güneş panelleri veya özel nanoparçacıklar gibi ilerlemelere yol açan polimer karışım malzemelerinin keşfini kolaylaştırabilir.
Coley, şu anda Oxford Üniversitesi’nde doktora sonrası bir Marie Skłodowska-Curie postdoc olan eski bir MIT postdoc olan Guangqi Wu tarafından makaleye katıldı; MIT lisansüstü öğrencisi Tianyi Jin; ve MICH Malzeme Bilimi ve Mühendisliği Bölümü’nde Michael ve Sonja Koerner profesörü Alfredo Alexander-Katz.
Daha iyi karışımlar oluşturmak
Bilim adamları yeni polimer karışımları tasarladıklarında, başlamak için neredeyse sonsuz sayıda olası polimerle karşı karşıyadırlar. Karıştırmak için birkaç tane seçtikten sonra, yine de her polimerin bileşimini ve karışımdaki polimer konsantrasyonunu seçmelidirler.
Coley, “Bu kadar büyük bir tasarım alanına sahip olmak, algoritmik çözümler ve daha yüksek verimli iş akışları gerektiriyor, çünkü tüm kombinasyonları kaba kuvvet kullanarak test edemediniz.”
Araştırmacılar tek polimerler için otonom iş akışları okurken, daha az çalışma dramatik olarak daha büyük tasarım alanı nedeniyle polimer karışımlarına odaklanmıştır.
Bu çalışmada, MIT araştırmacıları, iki veya daha fazla polimeri farklı yapısal özelliklerle karıştırarak yapılan yeni rastgele heteropolimer karışımları aradılar. Bu çok yönlü polimerler, kimyasal reaksiyonların oranını arttıran bir süreç olan yüksek sıcaklıklı enzimatik katalizle özellikle umut verici bir önem göstermiştir.
Kapalı döngü iş akışları, kullanıcının istenen özelliklerine dayanarak, bir avuç umut verici polimer karışımını otonom olarak tanımlayan bir algoritma ile başlar.
Araştırmacılar başlangıçta yeni karışımların performansını tahmin etmek için bir makine öğrenme modelini denediler, ancak astronomik olarak geniş olasılıklar alanında doğru tahminler yapmak zordu. Bunun yerine, optimal bir çözüm bulmak için seçim ve mutasyon gibi biyolojik olarak ilham alan işlemleri kullanan genetik bir algoritma kullandılar.
Sistemleri, bir polimer karışımının bileşimini etkili bir şekilde dijital bir kromozom haline getirir, bu da genetik algoritmanın en umut verici kombinasyonları tanımlamak için yinelemeli olarak gelişir.
Wu, “Bu algoritma yeni değil, ancak algoritmayı sistemimize sığacak şekilde değiştirmek zorunda kaldık. Örneğin, keşfi daha verimli hale getirmek için tek bir malzemede olabilecek polimer sayısını sınırlamak zorunda kaldık.”
Buna ek olarak, arama alanı çok büyük olduğu için, keşif seçimini (rastgele polimerleri aramak) sömürüye (son deneyden en iyi polimerleri optimize etmek) dengelemek için algoritmayı ayarladılar.
Algoritma, bir seferde 96 polimer karışımı, kimyasalları karıştıran ve her birinin özelliklerini ölçen otonom robotik platforma gönderir.
Deneyler, bir enzimin polimer karışımları ile karıştırıldıktan sonra ne kadar kararlı olduğunun ve yüksek sıcaklıklara maruz kalmanın bir ölçüsü olan tutulan enzimatik aktiviteyi (REA) optimize ederek enzimlerin termal stabilitesini iyileştirmeye odaklanmıştır.
Bu sonuçlar, sistem en uygun karışımı bulana kadar yeni bir polimer seti oluşturmak için kullanan algoritmaya geri gönderilir.
Hızlandırıcı keşif
Robotik sistemi oluşturmak, polimerleri eşit olarak ısıtmak ve pipet ucunun yukarı ve aşağı hareket etme hızı optimize etmek gibi birçok zorluk içeriyordu.
Coley, “Otonom keşif platformlarında algoritmik yenilikleri vurguluyoruz, ancak ortaya çıkan bilgilere güvenebilmeniz için doğrulamanız gereken prosedürün birçok ayrıntılı ve ince yönü var.”
Test edildiğinde, optimal harmanlar tanımlanan sistemleri sık sık onları oluşturan polimerlerden daha iyi performans gösterdi. En iyi genel karışım, bireysel bileşenlerinden% 18 daha iyi performans gösterdi ve% 73’lük bir REA elde etti.
Wu, “Bu, yeni polimerler geliştirmek yerine bazen mevcut polimerleri bireysel polimerlerden daha iyi performans gösteren yeni malzemeler tasarlamak için harmanlayabileceğimizi gösteriyor.” Diyor.
Dahası, otonom platformları günde 700 yeni polimer karışımını üretebilir ve test edebilir ve sadece kimyasalların doldurulması ve değiştirilmesi için insan müdahalesini gerektirir.
Bu araştırma protein stabilizasyonu için polimerlere odaklanırken, platformları yeni plastiklerin veya pil elektrolitlerinin geliştirilmesi gibi diğer kullanımlar için değiştirilebilir.
Araştırmacılar, ek polimer özelliklerini keşfetmenin yanı sıra, algoritmalarının verimliliğini artırmak ve otonom sıvı işleyicinin operasyonlarını kolaylaştırmak için yeni algoritmalar geliştirmek için deneysel verileri kullanmak istiyorlar.
