Новая нейросеть создает полимеры с заданными свойствами

Исследователи из Притцкеровской школы молекулярной инженерии (PME) при Чикагском университете создали методику для разработки новых полимеров, объединив моделирование и машинное обучение, сообщает портал Phys.org.

Представьте себе пластиковый пакет, который, как только вы принесли домой продукты из супермаркета, сразу же разрушился, не нанося вреда окружающей среде, или сверхпрочный и легкий пластик для самолетов, ракет и спутников, способный заменить традиционные конструкционные металлы в аэрокосмических технологиях. Машинное обучение и искусственный интеллект ускорили создание новых материалов со специфическими свойствами. Ученые добились успеха в разработке новых металлических сплавов, однако создать новые полимеры, такие как пластик, используемый для изготовления пакетов, оказалось намного сложнее.

Исследователи из Притцкеровской школы молекулярной инженерии (PME) Чикагского университета создали методику для разработки новых полимеров, объединив моделирование и машинное обучение. Путем компьютерного конструирования почти 2 000 гипотетических полимеров они смогли создать достаточно большую базу данных, чтобы обучить нейронную сеть пониманию, какие свойства полимера возникают из различных молекулярных последовательностей. «Мы показываем, что проблема решаема», – сказал Хуан де Пабло, профессор молекулярной инженерии семьи Лью, руководивший исследованием. «Теперь, когда мы создали основу и показали, что это возможно, мы действительно можем продвинуться вперед в использовании этой основы для разработки полимеров с определенными свойствами». Результаты научной работы опубликованы в Science Advances.

Создание полимеров затруднено из-за длинных цепочек атомов

Полимеры имеют аморфные, неупорядоченные структуры, которые нелегко определить с помощью методов, разработанных учеными для изучения металлов или других кристаллических материалов.

Молекулы полимера состоят из больших массивов атомов, расположенных в очень длинную цепочку, иногда состоящую из миллионов «мономеров». Каждая молекула полимера индивидуальна. Различается не только длина, но и последовательность расположения атомов.

Длина и последовательность имеют большое влияние на свойства полимерной молекулы, и чрезвычайно большое количество возможных комбинаций длины и последовательности является центральной проблемой при разработке молекул с конкретными свойствами. Подходы, основанные на методе проб и ошибок, имеют ограниченное применение, и создание необходимых экспериментальных данных для обоснования рациональной стратегии проектирования было бы очень сложным.

Именно здесь на помощь приходит машинное обучение. Исследователи задались целью ответить на вопрос: «Могут ли с помощью алгоритмов машинного обучения научить систему предсказывать свойства полимеров в соответствии с их последовательностью, и если да, то насколько большим будет набор данных, необходимый для обучения базовых алгоритмов?».

Создание базы данных для изучения полимерных последовательностей

Для создания базы данных исследователи использовали около 2 тысяч полимеров, сконструированных с помощью вычислений (все они имеют разные последовательности), и провели молекулярное моделирование, чтобы предсказать их свойства и поведение. Когда они впервые использовали нейронную сеть, чтобы выяснить, какие свойства основаны на каких молекулярных последовательностях, они не были уверены, будет ли получен нужный результат.

«Мы не знали, сколько различных полимерных последовательностей необходимо для изучения поведения материалов», – сказал де Пабло. «Ответом могли стать миллионы». К счастью, для изучения свойств и предсказания поведения совершенно новых молекулярных последовательностей нейросети потребовалось всего пару тысяч различных последовательностей. Это означало, что экспериментаторы теперь могли следовать аналогичной стратегии и создавать базу данных для обучения ИИ, чтобы он смог предсказывать свойства полимеров на основе экспериментальных данных.

Однако это было только половиной проблемы. Затем исследователям нужно было использовать информацию, полученную нейронной сетью, для создания новых молекул. Они приступили к этому и впервые смогли продемонстрировать способность определять желаемое свойство из молекулы полимера и использовать машинное обучение для создания набора последовательностей, которые приведут к этим свойствам.

Разработка специальных полимеров

Хотя система была обучена понимать только определенный вид полимера, потенциальные последствия могут распространяться на многие виды. Компании могут не только разрабатывать продукты, более экологически чистые, но и создавать полимеры, которые будут делать именно то, что они хотят.

Полимеры обычно растворяются в растворителях для красок, косметики, лекарств, медицинских растворов и пищевых продуктов, например, для управления потоком жидкостей. Полимеры также используются в широком спектре передовых технологий, от аэрокосмических приложений до накопителей энергии, в электронных и биомедицинских устройствах. Разработка полимеров с высокой точностью для конкретных применений может позволить компаниям создавать материалы более доступным, простым и экологически безопасным способом.

Теперь исследовательская группа надеется привлечь экспериментаторов к созданию некоторых полимеров, которые они предсказали, и продолжить совершенствование своей системы для создания еще более сложных полимеров. Полагаясь на роботизированные системы для высокопроизводительного синтеза и определения характеристик новых молекул, они надеются расширить свою базу данных, включив в нее экспериментальные данные.

«Мы считаем, что мы находимся в авангарде этой области», – сказал де Пабло. «В течение следующих двух-пяти лет вы увидите, как эти усилия и усилия других исследовательских групп в Чикагском университете, в Аргоннской национальной лаборатории и во всем мире принесут плоды. Мы также построили прочные партнерские отношения с промышленностью, которые позволят нам ускорить передачу знаний из академических кругов в коммерческий сектор».