داده های بزرگ و مصنوعی شیمی می تواند در مبارزه با تغییر آب و هوا و آلودگی

کلمبیا, S. C. -- مارس 15 سال 2020 -- دانشمندان در دانشگاه کارولینای جنوبی و دانشگاه کلمبیا را توسعه داده اند یک راه سریع تر به طراحی و ساخت گاز-فیلتر غشاء است که می تواند به کاهش انتشار گازهای گلخانه ای و کاهش آلودگی است.

خود روش جدید منتشر شده امروز در علم پیشرفتمخلوط یادگیری ماشین با مصنوعی, شیمی برای طراحی و توسعه گاز جدید-جداسازی غشاء بیشتر به سرعت. آزمایش های اخیر استفاده از این روش منجر به مواد جدید است که جدا کردن گازهای بهتر از هر دیگر شناخته شده فیلتر غشاء.

این کشف می تواند راه انقلابی مواد جدید در حال طراحی و ایجاد برایان Benicewicz دانشگاه کارولینای جنوبی SmartState شیمی استاد گفت.

"آن را حذف حدس و گمان و آزمون و خطا کار است که بسیار بی اثر" Benicewicz گفت. "شما لازم نیست به صدها مواد مختلف و تست آنها. در حال حاضر شما اجازه یادگیری ماشین. آن می تواند جستجوی خود را محدود کنید."

فیلم های پلاستیکی و یا غشاء اغلب استفاده می شود برای فیلتر کردن گازهای. Benicewicz توضیح داد که این غشاء رنج می برند از یک معاوضه بین انتخاب و نفوذپذیری ? ماده ای است که اجازه می دهد تا یک گاز از طریق بعید است که برای جلوگیری از یک مولکول از گاز دیگر. "ما در حال صحبت کردن در مورد برخی از مولکول های کوچک," Benicewicz گفت. "اندازه تفاوت است که تقریبا غیر قابل مشاهده است. اگر شما می خواهید مقدار زیادی از نفوذ پذیری شما در حال رفتن به یک مقدار زیادی از انتخاب."

Benicewicz و همکارانش در دانشگاه کلمبیا می خواستم ببینم اگر داده های بزرگ طراحی می تواند بیشتر موثر غشاء و فرآیندهای غشایی.

این تیم در دانشگاه کلمبیا ایجاد یک یادگیری ماشین الگوریتم است که تجزیه و تحلیل ساختار شیمیایی و اثربخشی موجود در غشاهای مورد استفاده برای جداسازی دی اکسید کربن از متان است. هنگامی که این الگوریتم می تواند با دقت پیش بینی اثربخشی داده غشاء آنها سوال اطراف: چه ساختار شیمیایی را ایده آل گاز جداسازی غشاء و فرآیندهای غشایی?

صنعت K. کومار Bykhovsky استاد مهندسی شیمی در دانشگاه کلمبیا در مقایسه با آن به Netflix بکشد روش برای معرفی فیلم. با بررسی آنچه که یک بیننده تماشا و دوست داشتم قبل از Netflix تعیین ویژگی های است که بیننده لذت می برد و می یابد و سپس به توصیه. الگوریتم خود را مورد تجزیه و تحلیل ساختار شیمیایی موجود در غشاء و مشخص شد که سازه های موثر تر خواهد بود.

کامپیوتر تولید یک لیست از 100 فرضی مواد که ممکن است به پیش افتادن از محدودیت های فعلی. Benicewicz که منجر مصنوعی شیمی گروه تحقیقاتی شناسایی دو پیشنهاد ساختار است که می تواند موجه بود ساخته شده است. لورا Murdock, یک UofSC دانشجوی دکترای شیمی ساخته شده تجویز پلیمرها و بازیگران آنها را به لايه نازک.

هنگامی که غشاء تست شد و اثر خود را نزدیک بود به کامپیوتر را پیش بینی و به خوبی در بالا فرض محدودیت.

"خود عملکرد بسیار خوبی ؟ بسیار بهتر از آنچه ساخته شده بود" Murdock گفت. "و آن را بسیار آسان بود. این پتانسیل برای استفاده تجاری."

جداسازی دی اکسید کربن و متان است فوری نرم افزار در صنعت گاز طبیعی; CO2 باید برداشته شود از گاز طبیعی برای جلوگیری از خوردگی در خطوط لوله. اما Murdock گفت: این روش با استفاده از داده های بزرگ برای حذف کار حدسی از روند منجر به یکی دیگر از سوال: "چه دیگر مواد پلیمری می تونیم ماشین یادگیری و ایجاد مواد بهتر برای همه نوع از برنامه های کاربردی است؟"

Benicewicz گفت: یادگیری ماشین می تواند به دانشمندان کمک کند طراحی جدید غشاء برای جداسازی گازهای گلخانه ای از زغال سنگ است که می تواند کمک به کاهش تغییر آب و هوا.

"این کار به این ترتیب امتیاز به یک راه جدید برای طراحی مواد" کومار گفت. "به جای تست تمام مواد وجود دارد که برای یک نرم افزار خاص شما به دنبال بخشی از مواد است که بهترین خدمت نیاز است که شما باید. هنگامی که شما ترکیب بهترین مواد و سپس شما باید یک شات در طراحی مواد بهتر."

###

در مورد مطالعه

این مطالعه با عنوان: "طراحی استثنایی گاز-جدایی پلیمر غشاء با استفاده از یادگیری ماشین."

نویسندگان: J. Wesley بارنت کانر R. Bilchak, Yiwen وانگ و صنعت K. کومار از دانشگاه کلمبیا گروه مهندسی شیمی; Brian C. Benicewicz و لورا A. Murdock از دانشگاه کارولینای جنوبی دانشکده شیمی و بیوشیمی و تریستان Bereau از موسسه ماکس پلانک برای تحقیقات پلیمر.

این مطالعه با حمایت بنیاد ملی علوم تحقیقات تکمیلی برنامه کمک هزینه تحصیلی (کمک DGE-16-44869 به C. R. B.) طراحی مواد به انقلابی و مهندس آینده ما برنامه (کمک 1629502 به C. R. B. J. W. B., and S. K. K. و اعطای 1629052 به B. C. B. و L. A. M.) و امی Noether برنامه از دویچه Forschungsgemeinschaft (به T. B.). S. K. K. J. W. B., and C. R. B. اذعان کرد که اکثریت کار تامین شد توسط NSF از طریق DMREF اعطای CTS-1629502. این پروژه آغاز شده بود تحت قبلی NSF grant (DMR150730) بود که در ادامه به اعطای DMR-1929655.

نویسندگان اعلام هیچ مالی یا دیگر تضاد منافع است.

سلب مسئولیت: AAAS و EurekAlert! مسئول صحت اخبار منتشر شده به EurekAlert! با کمک موسسات و یا برای استفاده از هر گونه اطلاعات از طریق EurekAlert سیستم.