تحقیقات جدید با مشارکت محققان دانشگاه تورنتو و دانشگاه نورث وسترن، یادگیری ماشین را جهت ساختن بهترین بلوک جهت استفاده در یک برنامه هدفمند به کار می‌گیرد. یافته‌های منتشر شده در Nature Machine Intelligence، نشان داد که استفاده از هوش مصنوعی (AI) می‌تواند به ساخت مواد جدید برای کاربردهای متنوع کمک کند. یک مثال برای این موضوع جداسازی دی‌اکسید‌کربن در فرآیندهای احتراق صنعتی است. رویکردهای هوش مصنوعی (AI) نوید تسریع در چرخه طراحی مواد را می‌دهند.
به منظور بهبود عملیات جداسازی مواد شیمیایی در فرآیندهای صنعتی و برای شناسایی بهترین چارچوب‌های مشبك (چارچوب‌های آلی فلزی، چارچوب‌های آلی كووالانت و …) دانشمندان از علم هوش مصنوعی بهره بردند. در این روند از فریم‌ورک‌هایی که آن‌ها را اسفنج‌های مولکولی می‌نامند، از طریق اتصال بلوک‌های مولکولی در آرایش‌های مختلف شکل می‌گیرند و نشان دهنده خانواده جدیدی از اسفنج‌ها هستند که ثابت شده برای استفاده در بسیاری از چالش‌های فن آوری قابل استفاده هستند، برای مثال در استفاده در صنایعی مانند انرژی پاک ، حسگرها ، صنایع پزشکی زیستی و غیره.
Zhenpeng Yao، عضو فوق دکترا شیمی و علوم کامپیوتر می‌گوید: “ما یک پلت فرم خودکار کشف مواد ایجاد کردیم که چارچوب‌های مختلف مولکولی ایجاد می‌کند و این می‌تواند به طور قابل توجهی زمان مورد نیاز برای شناسایی مواد بهینه جهت استفاده در یک فرایند خاص را کاهش دهد”. او در ادامه گفت: “ما چارچوب‌هایی را کشف کردیم که می‌توانند در برابر برخی از بهترین مواد که تا کنون برای جداسازی CO2 استفاده شده‌اند رقابت کنند.”
چالش‌های چندین ساله در راستای جداسازی CO2 و حل سایر مشکلات مربوط به گازهای گلخانه‌ای به جایی رسیده که پیش بینی زمانی برای نتیجه غیرممکن است و تلاش‌های گسترده از طریق آزمون و خطا به دنبال مواد جدید مورد نیاز هستند. ترکیبی از وقت و بی‌نهایت بلوک‌های مولکولی در ساخت ترکیبات شیمیایی می‌تواند به معنی از بین رفتن مقدار قابل توجهی زمان و منابع تا رسیدن به موفقیت باشد.
آلن آسپورو گوزیک (Alán Aspuru-Guzik) رئیس تحقیقات شیمی نظری در کانادا می‌گوید: “طراحی مواد مشبک بی‌نهایت چالش برانگیز است، زیرا آن‌ها جنبه‌های سخت علوم مربوط به بلورهای مدل‌سازی را با علم مدل‌سازی مولکول‌ها در یک مسئله ادغام می‌کنند. اما ما با استفاده از یك مدل خاص از هوش مصنوعی كه می‌تواند با توانایی رویاپردازی (تخیل) مواد جدیدی را پیشنهاد دهد، می‌توانیم از رویه غربالگری سنتی که مبتنی بر كتابخانه است فراتر برویم.”
محققان بر توسعه چارچوب‌های فلزی ، آلی (MOF) تمرکز کردند که اکنون به عنوان ماده جذب کننده ایده آل برای حذف CO2 از گاز دودکش و سایر فرآیندهای احتراق در نظر گرفته می‌شود. جان جی سرل استاد و رئیس گروه مهندسی شیمی و بیولوژیک در دانشکده مهندسی مک کورمیک در دانشگاه نورث وسترن گفت:
“در گذشته، ما مولکول‌های کاندید شده را از نظر محاسباتی غربالگری می‌کردیم و در نهایت بهترین کاندیداها را انتخاب می‌کردیم. اما اتفاق جدید در اینجا این است که کشف خودکار مواد توسط یک پلتفرم بسیار کارآمدتر از هر تلاشی در جهت غربالگری سنتی است اما بخش مهم‌تر از همه این است که این رویکرد از الگوریتم‌های یادگیری ماشین برای کاوش در داده‌ها استفاده کرده و فضای خالی بین مواد را جستجو می‌کند که در واقع در مواردی مواد جدیدی را پیشنهاد داده که در ابتدا حتی تصور نمی‌شده تا در آن زمینه خاص کاربردی داشته باشند.”
محققان می‌گویند این مدل از پیش‌بینی، قابلیت بهینه سازی زیادی را در طراحی چارچوب‌های مشبک جدید نشان می‌دهد، به ویژه در ترکیب مواد جدید با مواد شناخته شده قبلی برای عملکردهای خاص. این پلتفرم کاملاً قابل تنظیم است تا بسیاری از چالش‌های فناوری معاصر را برطرف کند.
