全文共1842字，預計學習時長5分鐘
圖源：unsplash
聚合物膜的應用十分廣泛，如水過濾和氣汽分離等。為了實現所需功能，設計聚合物膜比人們預期更耗時。哥倫比亞大學工程學院、德國馬克斯普朗克學會和南卡羅來納大學的研究人員將數據科學應用於此項任務以簡化工作。
更具體地說，他們將大數據和機器學習相結合，戰略性地將聚合物膜設計為氣體過濾器。人們常常利用塑料薄膜來分離簡單情況下的混合物，如二氧化碳和甲烷。科學家還建議製造能將二氧化碳與其他氣體分離的薄膜，這樣便於碳捕獲和天然氣凈化等任務。
問題在於製作薄膜的備選材料有成千上萬種塑料。由於每種材料的化學成分各不相同，測試和製造一種特定材料是非常耗時耗錢的工作，研究人員僅僅研究了約1000種可能的氣體分離膜。
科學家們得出結論，有效選擇用於氣體過濾的最佳聚合物的方法，能夠讓人們更有可能快速找到更低成本的解決方案。他們製作了一種機器學習算法，將目前測試的此類聚合物的化學結構與其傳輸特性聯繫起來。研究人員希望利用數據科學來預測氣體分離膜的最佳材料，而不是傳統的那些既耗時又耗錢的方法。
氣體的傳輸特性為：
· 粘度：測量其內部摩擦力，或使固體在其中移動所需力的大小。
· 熱傳導：與引起溫度變化的內能傳遞有關。
· 擴散：原子和分子從高濃度狀態向低濃度狀態移動的行為。
圖源：unsplash
建立算法之後，科學家們用其來評估之前確定的11000多個聚合物，最終得到了大約100種聚合物選項，尚未對氣體傳輸能力進行測試。
然後，研究人員製備這些篩選後的聚合物，並將其製成薄膜。該算法表明，儘管缺乏試驗，但這些材料的性能將超過目前用於分離二氧化碳和甲烷的薄膜。實際測試表明，聚合物分離氣體的能力與算法預測結果相近。
在研究團隊創建了算法來評估特定膜的可能性能之後，他們將研究重點轉移到在製造氣體分離膜時，確定最佳化學結構。當科學家們確定這些膜的最適當用途來幫助解決環境或其他問題時，這些想法能夠促進研究進展。
圖源：unsplash
南卡羅來納大學的化學教授布萊恩·貝尼塞維茨也參與了該項目，在概述新過程的優點時，他說道：「新過程不再需要進行猜測和以往試錯這樣無效的工作，人們也不需要製作成百上千種不同的材料並進行測試，現在可以讓機器學習縮小搜索範圍。」
貝尼塞維茨還解釋道，當開發人員試圖平衡滲透性和選擇性時，膜設計會更具挑戰性。相關分子非常微小，如果有一種氣體通過薄膜，那麼該膜可能就無法有效地過濾另一種氣體。
研究團隊的另一位成員將這種機器學習方法與Netflix的「猜你喜歡」進行了比較。Netflix算法會對人們之前觀看的內容進行評估，然後給可用的標題分配百分比分數，告訴觀眾電影的匹配度。而在此項研究中，機器學習檢測了對氣體分離有效的聚合物的特性，從而在使用新聚合物時更有可能獲得良好結果。
哥倫比亞大學的化學工程教授薩納特·K·庫馬爾也參與了這一項目，他認為大數據的新應用可以帶來更好的聚合物設計。屆時，研究人員可能會覺得更有動力去研究他們以前從未考慮過的材料，從而獲得更出色的結果。
庫馬爾認為：「這項工作為材料設計提供了一種新的途徑。不必再測試某個特定應用的所有材料，而是尋找最能滿足需求的部分材料。把最好的材料組合起來，就有機會設計出更好的材料。」
參與這項工作的人員表示，這一過程在商業上是可行的。通過該過程發現的能將二氧化碳和甲烷分離的膜材料近期應用於天然氣行業。二氧化碳會導致管道腐蝕，因此需要有效徹底地清除二氧化碳。
圖源：unsplash
另一種可能性是利用薄膜將溫室氣體從煤中分離出來，這樣有利於減少環境中溫室氣體的排放。
這種方法還尚未獲得廣泛應用，卻讓我們看到了一種新的可能，這種可能性就已足夠鼓舞人心。
留言點贊關注
我們一起分享AI學習與發展的乾貨
如轉載，請後台留言，遵守轉載規範