Maskininlärning hjälper till att hitta starkare polymerer
Tänk om plast kunde läka, känna stress eller hålla längre?En maskininlärningsmetod hittar dolda molekyler som kan förändra hur vi utformar material.
En strategi som utvecklats av forskare vid MIT och Duke University använder maskininlärning för att identifiera tvärbindningsmolekyler som gör polymerer mer resistenta mot rivning.Detta kan bidra till att minska plastavfallet.Metoden fokuserar på mekanoforer, som är molekyler som ändrar struktur eller beteende när de utsätts för kraft och använder ett neuralt nätverk för att screena kandidater.
Forskarna använde denna metod på ferrocener, järninnehållande föreningar som inte studerades i stor utsträckning som mekanoforer.Tester visade att materialet var ungefär fyra gånger tuffare än de som gjordes med standardferrocenbaserade tvärbindare.
Det första steget innebar att simulera cirka 400 ferrocener för att beräkna den kraft som behövs för att bryta bindningar.Dessa data utbildade en maskininlärningsmodell för att förutsäga tårmotstånd i andra föreningar.Modellen fann två funktioner som förbättrade prestanda - interaktioner mellan kemiska grupper på ringarna och närvaron av stora grupper på båda sidor av ferrocen.Medan den första funktionen förväntades, var den andra ett resultat av AI och inte förutses av en mänsklig kemist.
Att hitta och testa mekanoforer är vanligtvis en långsam process.De flesta kända mekanoforer är organiska, som cyklobutan, som har använts som tvärbindare.Att testa en mekanofor i labbet kan ta veckor.Även simuleringar tar dagar.Detta gör traditionell screening hårt när det finns tusentals alternativ.
Ferrocener är vanliga vid katalys- och läkemedelsforskning men har inte testats så mycket som mekanoforer.Dessa organometalliska föreningar har en järnatom mellan två kolbaserade ringar.Ringarna bär kemiska grupper som påverkar hur molekylen reagerar på att tvinga.
Genom att arbeta med ferrocenes och använda maskininlärning visade teamet ett mer skalbart sätt att hitta användbara mekanoforer.Detta tillvägagångssätt kan också hjälpa till att hitta föreningar som svarar på kraft genom att ändra färg, utlösa reaktioner eller andra beteenden.Detta kan vara användbart för att avkänna stress, byta katalysatorer eller leverera läkemedel.
Framtida arbete kommer sannolikt att titta på ferrocener och andra metallbaserade föreningar för att hitta fler mekanoforer och utveckla nya material.