Hitech logo

искусственный интеллект

Машинное обучение раскрыло потенциал «молекулярных губок»

TODO:
Георгий Голованов19 декабря 2018 г., 09:27

Специалисты Университета штата Орегон с помощью ИИ изучили возможности пористых органических молекулярных структур и пришли к выводу, что они способны значительно сократить расход энергии в ходе химического процесса газового разделения. 

Самые интересные технологические и научные новости выходят в нашем телеграм-канале Хайтек+. Подпишитесь, чтобы быть в курсе.

Пористые молекулярные клетки с полостями наноразмера притягивают и захватывают молекулы газа посредством адсорбции, поверхностного поглощения. «Эти пористые молекулярные твердые тела впитывают газы как губки, но избирательно, — говорит Кори Саймон, автор публикации в журнале ACS Central Science. — Каждая клетка адсорбирует одни газы охотнее, чем другие, и это свойство помогает им сепарировать газовые смеси более эффективно».

На долю процессов разделения и очистки химических смесей приходится более 10% мирового потребления энергии, пишет Phys.org. Промышленности требуются сотни разновидностей химических разделений, и ученые способны синтезировать тысячи таких молекулярных губок. Однако, на создание и тестирование только одной уйдут месяцы работы. Поэтому американские исследователи обратились за помощью к машинам.

Саймону пришла в голову идея, что существует связь между формой полости клетки и тем, какие именно молекулы газа она притягивает лучше всего.

Затем он и его коллеги применили метод неконтролируемого машинного обучения для категоризации и группировки молекул клеток на основании строения их полостей.

Этот метод предполагает, что компьютер самостоятельно исследует закономерности и выводит свойства адсорбции, без участия человека.

Ученые использовали обучающий набор данных из 74 синтезированных экспериментальным образом пористых органических молекул, отсканированных при помощи компьютера, и применили к ним технологию, схожую с распознаванием лиц, чтобы сгруппировать их по схожести полостей.

Алгоритм эффективно справился с задачей, и сделал это намного быстрее, чем группа химиков в лаборатории.

Предсказывать результаты химических реакций научился алгоритм, созданный шотландскими учеными. В ходе испытаний он смог с 80% точностью рассчитать 1000 возможных реакций, в которых участвовали 18 веществ.