機器學習加快了用于工業過程的材料的發現

由多倫多大學和西北大學的研究人員領導的新研究利用機器學習技術來制造用于目標應用的框架材料組裝中的最佳構件。

今天發表在《自然機器智能》上的這項發現表明，人工智能(AI)方法的使用可以幫助提出用于各種應用的新穎材料。一個例子是從工業燃燒過程中分離出二氧化碳。人工智能方法有望加快材料的設計周期。

為了改善工業過程中化學物質的分離，研究團隊(包括哈佛大學和渥太華大學的合作者)著手確定最佳的網狀骨架(例如金屬有機骨架，共價有機骨架)以供使用正在進行中。這樣的框架可以被認為是量身定制的分子“海綿”，是通過將分子構件自組裝成不同的排列形式而形成的，代表了一種新的晶體多孔材料家族，已被證明在解決許多技術挑戰方面很有前途(例如清潔能源，傳感技術，生物醫學等)

化學和計算機科學系的博士后姚振鵬說：“我們建立了一個自動的材料發現平臺，該平臺可以生成各種分子框架的設計，從而大大減少了確定用于該特定過程的最佳材料的識別時間。”密歇根大學藝術與科學學院，本研究的主要作者。“在證明的平臺使用過程中，我們發現了與迄今已知的用于CO 2分離的某些性能最好的材料相比具有強大競爭力的框架。”

然而，解決CO 2分離以及諸如溫室氣體減少和疫苗開發等其他問題所面臨的長期挑戰是，在追求這種新材料時，不可預測的時間量和大量的反復試驗努力。在化學化合物的構建中，分子構建基塊有時會無限地組合，這意味著在取得突破之前，將花費大量的時間和資源。

“設計網狀材料特別具有挑戰性，因為它們將建模晶體和建模分子的困難方面結合在一起，在一個單一的問題中解決。”資深合著者，加拿大化學系理論化學研究150位主席AlánAspuru-Guzik說。多倫多大學計算機科學系和加拿大Vector Institute CIFAR AI主席。“這種網狀化學方法體現了我們對U的新興關注，即通過人工智能加速材料開發。通過使用可以'夢想'或建議新材料的AI模型，我們可以超越傳統的基于庫的篩選方法。